대립적 오토인코더(AAE)

본 논문에서는 "적대적 오토인코더" (Adversarial Autoencoder, AAE)를 제안합니다. 이는 최근 제안된 생성적 적대 네트워크 (Generative Adversarial Networks, GAN)를 사용하여 오토인코더의 은닉 코드 벡터의 집합 사후 확률 분포를 임의의 사전 확률 분포와 일치시키는 변분 추론을 수행하는 확률적 오토인코더입니다. 집합 사후 확률 분포를 사전 확률 분포와 일치시키면 사전 공간의 어느 부분에서든 의미 있는 샘플이 생성됩니다. 따라서 적대적 오토인코더의 디코더는 사전 확률 분포를 데이터 분포로 매핑하는 깊은 생성 모델을 학습하게 됩니다. 우리는 적대적 오토인코더가 반監督分類, 이미지 스타일과 콘텐츠 분리, 비지도 클러스터링, 차원 축소 및 데이터 시각화 등의 응용 프로그램에서 어떻게 사용될 수 있는지를 보여줍니다. MNIST, Street View House Numbers 및 Toronto Face 데이터셋을 사용한 실험을 통해 적대적 오토인코더가 생성 모델링 및 반감독 분류 작업에서 경쟁력 있는 결과를 달성함을 입증하였습니다.注：在翻译“半监督分类”时，出现了中文字符，正确的韩文翻译应该是“반지도 분류”。以下是修正后的版本：본 논문에서는 "적대적 오토인코더" (Adversarial Autoencoder, AAE)를 제안합니다. 이는 최근 제안된 생성적 적대 네트워크 (Generative Adversarial Networks, GAN)를 사용하여 오토인코더의 은닉 코드 벡터의 집합 사후 확률 분포를 임의의 사전 확률 분포와 일치시키는 변분 추론을 수행하는 확률적 오토인코더입니다. 집합 사후 확률 분포를 사전 확률 분포와 일치시키면 사전 공간의 어느 부분에서든 의미 있는 샘플이 생성됩니다. 따라서 적대적 오토인코더의 디코더는 사전 확률 분포를 데이터 분포로 매핑하는 깊은 생성 모델을 학습하게 됩니다. 우리는 적대적 오토인코더가 반지도 분류, 이미지 스타일과 콘텐츠 분리, 비지도 클러스터링, 차원 축소 및 데이터 시각화 등의 응용 프로그램에서 어떻게 사용될 수 있는지를 보여줍니다. MNIST, Street View House Numbers 및 Toronto Face 데이터셋을 사용한 실험을 통해 적대적 오토인코더가 생성 모델링 및 반지도 분류 작업에서 경쟁력 있는 결과를 달성함을 입증하였습니다.