Variační autoencoder a jeho rozšíření

Abstract

Variační autoencoder je modelem, který v sobě kombinuje pravděpodobnostní přístup a sílu aproximací pomocí neuronových sítí. Lze jej využít jako generativní model nebo například v detekci anomálií. Jeho výhody i nevýhody, stejně jako jeho možná rozšíření, jsou předmětem bakalářské práce. Popsaný je dále Wassersteinův autoencoder a model s využitím VampPrior. Je odvozeno nové rozšíření směsi variačních autoencoderů s použitím EM algoritmu. Vlastnosti variačního autoencoderu a jeho rozšíření jsou demonstrovány na ukázkových i reálných datech.

Variational autoencoder combines probabilistic approach with powerful estimations via neural networks. The model can be used as a generative model as well as an anomaly detector. Its pros and cons, as well as its extensions, are the subject of this bachelor's thesis. Extensions like Wasserstein autoencoder and a model using VampPrior are described. A new extension using a mixture of variational autoencoders with the usage of EM algorithm is proposed. Properties of a variational autoencoder and its extensions are demonstrated on both artificial and real-world datasets.