Variational Atlas Autoencoders 与自监督图表选择

研究者提出 Variational Atlas Autoencoders，一种混合图表框架，通过证据下界将图表分配视为后验推理，实现自监督学习。 该框架引入 latent-evidence routing，根据点与图表潜在先验的距离和置信度进行分配，无需标签即可发现数据流形结构。在 CelebA 等数据集上，其潜在空间结构优于容量匹配的基线，采样仅需评估单个图表解码器。