Melhorando Autoencoders Variacionais usando Fluxo de Householder

Autoencoders variacionais (VAE) são modelos geradores escaláveis e poderosos. No entanto, a escolha do posterior variacional determina a tratabilidade e flexibilidade do VAE. Comumente, variáveis latentes são modeladas usando a distribuição normal com uma matriz de covariância diagonal. Isso resulta em eficiência computacional, mas tipicamente não é flexível o suficiente para corresponder à verdadeira distribuição posterior. Uma forma de enriquecer a distribuição posterior variacional é a aplicação de fluxos normalizadores, ou seja, uma série de transformações invertíveis para variáveis latentes com um posterior simples. Neste artigo, seguimos essa linha de raciocínio e propomos um fluxo que preserva volume e usa uma série de transformações de Householder. Mostramos empiricamente no conjunto de dados MNIST e dados de histopatologia que o fluxo proposto permite obter um posterior variacional mais flexível e resultados competitivos em comparação com outros fluxos normalizadores.