| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-21页 |
| 1.1 课题来源 | 第10页 |
| 1.2 课题背景及研究的目的和意义 | 第10-15页 |
| 1.2.1 课题背景 | 第11-12页 |
| 1.2.2 研究的目的和意义 | 第12-15页 |
| 1.3 本文的主要研究内容 | 第15页 |
| 1.4 国内研究现状 | 第15-16页 |
| 1.5 国外研究现状 | 第16-19页 |
| 1.5.1 易采样的模型 | 第16-17页 |
| 1.5.2 不易采样的模型 | 第17-19页 |
| 1.6 论文章节安排 | 第19-21页 |
| 第2章 变分自动编码器 | 第21-34页 |
| 2.1 生成式对抗网 | 第21-24页 |
| 2.1.1 判别模型和生成模型的训练 | 第22-24页 |
| 2.2 标准的自动编码器 | 第24-25页 |
| 2.3 变分自动编码器 | 第25-33页 |
| 2.3.1 隐变量模型 | 第26-27页 |
| 2.3.2 在概率图模型的框架下与EM算法的区别 | 第27-28页 |
| 2.3.3 基本概念 | 第28-30页 |
| 2.3.4 建立目标 | 第30-31页 |
| 2.3.5 随机梯度变分贝叶斯评估器 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于高斯混合模型的变分自动编码器 | 第34-48页 |
| 3.1 具有Normalizing flows的变分推理 | 第34-36页 |
| 3.1.1 关于变分推理的简介 | 第34-35页 |
| 3.1.2 Normalizing Flows | 第35-36页 |
| 3.2 使用Householder Flow的变分推理 | 第36-39页 |
| 3.2.1 Householder Flow | 第37-38页 |
| 3.2.2 Householder transformations | 第38-39页 |
| 3.3 高斯混合模型中KL散度的近似及变分推理 | 第39-46页 |
| 3.3.1 非对角高斯混合变分自动编码器 | 第40-43页 |
| 3.3.2 KL散度近似及推理 | 第43-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第4章 实验结果 | 第48-66页 |
| 4.1 实验数据集 | 第48-58页 |
| 4.1.1 MNIST | 第48-53页 |
| 4.1.2 OMNIGLOT | 第53-56页 |
| 4.1.3 Histopathology data | 第56-58页 |
| 4.2 模型之间的性能比较 | 第58-59页 |
| 4.3 可视化数据 | 第59-64页 |
| 4.4 实验结果分析 | 第64-65页 |
| 4.5 本章小结 | 第65-66页 |
| 结论 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
