学术报告
报告题目：基于混合分布先验的多模态隐变量解耦方法
报告人：孙建永 教授（西安交通大学）
负责人：王建军 教授
报告时间：2024年08月30日（星期五）下午16: 30
报告地点：数学大楼912报告厅
参加人员：教师、研究生
摘要：I多模态变分自编码器（Multimodal VAEs）是一种处理多模态数据的有效方法。这一类模型通常将隐变量分为两个子空间，分别表示模态共享信息和各模态特有信息。然而，它们都缺乏一种有效的机制来解耦这两个子空间。这导致了模型难以进一步提高内容一致性和生成质量这两个指标。针对这一问题，我们提出了一种新模型：MMVAE+VampPrior（MVP）。我们的模型使用了混合条件分布作为两个隐变量子空间的先验，其中的每个分布都依赖于一个可学习的参数。在PolyMNIST和Tri-Modal Fashion-MNIST两个数据集上的实验结果表明，我们的模型在内容一致性和生成质量方面均优于之前的所有模型。此外，实验结果还表明我们的模型确实能够更好的解耦两个隐变量子空间。
个人简介：孙建永博士为西安交通大学数学与统计学院教授。曾担任英国格林威治大学、埃塞克斯大学副教授（终身教职）。现任西安交通大学数学与统计学院院长、中国数学会常务理事、陕西省数学会常务副理事长。主要研究方向包括机器学习、智能优化以及AI与大数据的理论、算法与应用。已在Nature Communications、美国科学院院刊（PNAS）和IEEE 汇刊等顶级期刊上发表论文90余篇。曾主持多项国家自然科学基金项目、科技部重点研发计划课题等。
