We propose to learn a hierarchical prior in the context of variational autoencoders to avoid over-regularisation resulting from a standard normal prior distribution. To incentivise an informative latent representation of the data by learning a rich hierarchical prior, we formulate the objective function as the Lagrangian of a constrained-optimisation problem and propose an optimisation algorithm inspired by Taming VAEs. To validate our approach, we train our model on the static and binary MNIST, Fashion-MNIST, OMNIGLOT, CMU Graphics Lab Motion Capture, 3D Faces, and 3D Chairs datasets, obtaining results that are comparable to state-of-the-art. Furthermore, we introduce a graph-based interpolation method to show that the topology of the learned latent representation correspond to the topology of the data manifold.
translated by 谷歌翻译
由深度生成模型引起的沿黎曼流形的两个数据点之间的测地线的长度产生了相似性的原理测量。到目前为止,应用仅限于低维潜在空间,因为该方法在计算上要求很高:它构成了求解非凸优化问题。我们的方法是解决松弛:在聚合近似后验的样本的有限图中找到最短路径可以精确地解决,运行时间大大减少,并且质量没有明显损失。因此,该方法适用于视觉领域中的高维问题。我们使用变量自动编码器应用于图像数据,处理Chair,Faces和FashionMNIST数据集,对一系列实验进行了验证。
translated by 谷歌翻译
机器人可以通过示范迅速获得新技能。然而,在技能的普遍化或跨越不同技能的过渡期间,尚不清楚机器人是否具有执行任务所需的知识。未能检测到丢失的信息通常会导致突然的运动或与环境的碰撞。主动学习可以量化执行任务的不确定性,并且通常可以定位缺失信息的区域。我们介绍了一种新的主​​动学习算法,并证明了生成平滑轨迹的效用。我们的方法基于潜在空间中的深度生成模型和度量学习。它依赖于雅各比可能检测到潜在空间中的非平滑过渡,即导致机器人运动突然变化的过渡。当检测到非平滑过渡时,我们的算法要求从该特定区域进行额外的演示。新获得的知识修改数据流形并允许学习潜在的表示以产生平滑的运动。我们展示了我们的方法在推广基本技能,跨越不同技能的过渡以及隐含地避免与环境的冲突方面的功效。对于实验,我们使用模拟摆,我们从图像和7-DoF拟人手臂观察其运动。
translated by 谷歌翻译
减少错误发现的数量是目前生命科学中最紧迫的问题之一。它对于神经影像学和基因组学中的多种应用尤其重要,其中数据集通常是高维的,这意味着解释变量的数量超过样本大小。错误发现率(FDR)是可以用来解决该问题的标准。因此,它作为测试多个假设的工具而获得了极大的普及。典型相关分析(CCA)是一种常识性技术,用于理解在同一组样本上收集的两组测量值的互相关(例如,同一精神疾病患者的脑成像和基因组数据),稀疏的CCA扩展高维设置的经典方法。这里我们建议不要将FDR概念应用于稀疏CCA,以及控制FDR的方法。提出的FDR校正直接影响解的稀疏性,使其适应未知的真稀疏度水平。理论推导以及模拟研究表明,我们的程序确实将经典向量的FDR保持在用户指定的目标水平之下。我们将建议的方法应用于Philadelphia NeurodevelopmentalCohort的成像基因组学数据集。我们的结果将通过功能磁共振成像(fMRI)测量的情绪识别任务期间从脑活动得到的大脑连通性概况与相应受试者的基因组数据联系起来。
translated by 谷歌翻译