English(EN) Residual spectral instabilities in representation learning

新理论解释了VAE表示学习中的谱不稳定性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-09 04:00

研究人员开发了一个新的理论框架来理解变分自编码器（VAE）中的逐维后验坍塌。通过将负证据下界视为有效自由能，他们定义了一个高斯理论，其中Hessian矩阵代表潜在的涨落质量。这种方法将坍塌的方向识别为不变的涨落扇区，并使用条件残差算子推导出它们的质量谱。研究结果表明，当解码器方差下降到特定谱阈值以下时，局部重新激活方向可以降低自由能，这标志着一个边缘点。 AI

排序理由该集群包含一篇详细介绍变分自编码器表示学习理论进展的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍变分自编码器表示学习理论进展的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Zhen Li · 2026-10-09 04:00

表示学习中的残差谱不稳定性

arXiv:2610.11257v1 Announce Type: new Abstract: Learned representations can lose latent degrees of freedom successively, suggesting a cascade of transitions whose underlying stability principle remains unclear. Here we formulate dimension-wise posterior collapse in variational au…

本文如何被排名

报道来源 [1]

表示学习中的残差谱不稳定性

相关实体

相关话题