Empirical Variational Autoencoder
为连续值序列生成引入经验自回归潜变量先验。
为什么重要
为 VAE 序列生成提供了更贴近后验且实现较简单的先验学习方式。
阅读原文arxiv.org
AI 解读（根据原文生成）
论文提出 Empirical Variational Autoencoder（EVA），面向连续值、非向量量化序列的通用生成框架。EVA 基于 VAE 的证据下界，从训练数据中经验学习自回归潜变量先验，并称可通过在 VAE 顶部增加单个线性层实现；它用自预测先验替代标准高斯约束，以缓解先验与后验的潜变量分布差距。图像和声音合成实验显示，其生成质量可与自回归扩散基线竞争，推理更快。论文、代码和项目页已给出链接。
要点（AI 据原文整理，数字均已与原文核对）
- EVA can be implemented only by an additional single linear layer on top of VAEs.