ترجمه فارسی مقاله یک VAE غیر منفی: شبکه باور گامای تعمیم‌یافته

چکیده

The gamma belief network (GBN), often regarded as a deep topic model, has demonstrated its potential for uncovering multi-layer interpretable latent representations in text data. Its notable capability to acquire interpretable latent factors is partially attributed to sparse and non-negative gamma-distributed latent variables. However, the existing GBN and its variations are constrained by the linear generative model, thereby limiting their expressiveness and applicability. To address this limitation, we introduce the generalized gamma belief network (Generalized GBN) in this paper, which extends the original linear generative model to a more expressive non-linear generative model. Since the parameters of the Generalized GBN no longer possess an analytic conditional posterior, we further propose an upward-downward Weibull inference network to approximate the posterior distribution of the latent variables. The parameters of both the generative model and the inference network are jointly trained within the variational inference framework. Finally, we conduct comprehensive experiments on both expressivity and disentangled representation learning tasks to evaluate the performance of the Generalized GBN against state-of-the-art Gaussian variational autoencoders serving as baselines.

چکیده به فارسی (ترجمه ماشینی)

شبکه اعتقاد گاما (GBN) ، که اغلب به عنوان یک الگوی موضوع عمیق در نظر گرفته می شود ، پتانسیل خود را برای کشف نمایش های نهفته قابل تفسیر چند لایه در داده های متن نشان داده است.توانایی قابل توجه آن برای به دست آوردن عوامل نهفته قابل تفسیر تا حدی به متغیرهای نهفته گاما توزیع شده پراکنده و غیر منفی نسبت داده می شود.با این حال ، GBN موجود و تغییرات آن توسط مدل تولیدی خطی محدود می شود ، در نتیجه بیان و کاربرد آنها را محدود می کند.برای پرداختن به این محدودیت ، ما شبکه اعتقاد گاما عمومی (GBN تعمیم یافته) را در این مقاله معرفی می کنیم ، که مدل تولیدی خطی اصلی را به یک مدل تولیدی غیر خطی بیان می کند.از آنجا که پارامترهای GBN تعمیم یافته دیگر دارای خلفی مشروط تحلیلی نیست ، ما بیشتر یک شبکه استنتاج ویبول به سمت بالا را برای تقریب توزیع خلفی متغیرهای نهفته پیشنهاد می کنیم.پارامترهای هر دو مدل تولیدی و شبکه استنتاج به طور مشترک در چارچوب استنتاج متغیر آموزش می یابند.سرانجام ، ما آزمایش های جامعی را در مورد هر دو کارهای یادگیری بیان و تفکیک نشده انجام می دهیم تا عملکرد GBN تعمیم یافته را در برابر خودروهای پیشرفته Gaussian Gaussian که به عنوان خط مقدم خدمت می کنند ، ارزیابی کنیم.