论文 · 资源记录

Auto-Encoding Variational Bayes

提出以重参数化估计器训练连续潜变量生成模型的变分自编码框架。

作者：Diederik P. Kingma, Max Welling年份：2013出版信息：暂无可核实信息元数据：存在暂无可核实字段链接核验于 2026-07-14

出版者或载体未在已核验来源中明确提供，登记为“暂无可核实信息”；未作推测性补写。

为什么重要

用于核对证据下界、近似后验和重参数化梯度的原始推导。

A09 · 第 1 章自回归生成与序列似然
支持的主张：《Deep Learning》用于核对联合分布的链式分解、条件似然训练和序列生成中的 teacher forcing；VAE 原论文用于提供潜变量生成模型与重参数化变分下界的对照。本章借此说明自回归精确似然和潜变量近似似然回答不同建模问题，不从 VAE 结果推导自回归采样性质。
A09 · 第 2 章变分自编码器与证据下界
支持的主张：《Deep Learning》用于核对潜变量模型、变分推断、KL 散度和生成建模背景；VAE 原论文用于核对 ELBO、Gaussian 重参数化估计器和原始生成实验。本章的闭式 KL 与重构项依赖所声明的分布族，不能把该推导直接套到任意离散或不可重参数化潜变量。
A09 · 第 6 章生成质量、覆盖与生成模型综合复习
支持的主张：《Deep Learning》用于核对显式/隐式密度、潜变量和生成训练的一般框架；VAE 论文用于核对 ELBO 与重参数化梯度，GAN 论文用于核对对抗极小极大目标，DDPM 论文用于核对前向加噪、反向链和噪声预测目标。本章的比较表逐列对应这些不同目标，不把某一模型的似然、样本质量或训练代价指标移用于另一模型。