Latent Matters: Amortised Variational Inference With Constrained Optimisation and Learnable Priors

Klushyn, Alexej

Mathematik

Back
Back to start of result list
Permanent link for displayed object

If you experience problems opening the document, please try this link.

Original title:: Latent Matters
Original subtitle:: Amortised Variational Inference With Constrained Optimisation and Learnable Priors
Translated title:: Die Bedeutung latenter Repräsentationen
Translated subtitle:: Amortisierte Variationsinferenz mit eingeschränkter Optimierung und lernbaren A-priori-Verteilungen
Author:: Klushyn, Alexej
Year:: 2021
Document type:: Dissertation
Faculty/School:: Fakultät für Informatik
Advisor:: Bungartz, Hans-Joachim (Prof. Dr.)
Referee:: Bungartz, Hans-Joachim (Prof. Dr.); Groh, Georg (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
TUM classification:: MAT 650; DAT 780
Abstract:: The focus of this dissertation is on learning latent representations—in the context of probabilistic generative modelling—that reflect the factors of variation and topology of the observed data. To this end, we propose a constrained optimisation-based formulation of amortised variational inference and complement it with a powerful empirical Bayes method.
Translated abstract:: Der Schwerpunkt dieser Dissertation liegt auf dem Erlernen latenter Repräsentationen – im Rahmen der probabilistischen generativen Modellierung – welche die Faktoren der Variation und die Topologie der beobachteten Daten widerspiegeln. Zu diesem Zweck stellen wir eine, auf eingeschränkter Optimierung basierende, Formulierung der amortisierten Variationsinferenz vor und ergänzen diese durch eine leistungsstarke empirische Bayes-Methode.
WWW:: https://mediatum.ub.tum.de/?id=1614761
Date of submission:: 28.06.2021
Oral examination:: 02.12.2021
File size:: 30959716 bytes
Pages:: 148
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20211202-1614761-1-8
Last change:: 03.01.2022
BibTeX