《Auto-Encoding Variational Bayes》：VAE 如何把不可解的后验变成可训练的随机梯度 (2026)

如果一张图片经过编码器后只留下一个确定的向量，模型很容易学会「怎么把像素抄回去」，却未必学会数据背后的变化规律。VAE 的编码器输出的是一个分布：同一张图可以对应一团可能的隐变量，解码器从这团分布里取样，再尝试把图像还原出来。1

这一步把自编码器改成了生成模型。给定一个潜变量

z

，解码器定义

p_{θ} (x ∣ z)

；给定一张观测

x

，编码器用

q_{ϕ} (z ∣ x)

近似真正的后验

p_{θ} (z ∣ x)

。难点在于，真正的后验通常需要对所有可能的

z

积分，神经网络一复杂，这个积分就算不动。Kingma 和 Welling 在 2013 年的论文中提出 AEVB（Auto-Encoding Variational Bayes）：用一个可学习的近似后验、一个可计算的下界，再加上重参数化技巧，把这件事变成可以用小批量随机梯度训练的问题。论文还说明，当 recognition model 使用神经网络时，这个版本就是 variational auto-encoder。1

先看清这笔交换

传统的变分推断或 MCMC 要为每个数据点反复估计后验。数据量增大时，这个步骤会成为训练瓶颈。AEVB 把计算换成下面这条流水线：

x  ->  q_phi(z|x)  ->  z  ->  p_theta(x|z)  ->  x 的概率
       输出 mu,sigma     采样          解码

编码器输出均值

μ_{ϕ} (x)

和标准差

σ_{ϕ} (x)

，它们定义一团高斯分布，而不是一个唯一编码。模型从这团分布中取一个

z

，让解码器判断原数据在该潜变量下有多可能。训练过程同时调整两组参数：

ϕ

让近似后验更有用，

θ

让生成模型更能解释数据。

这笔交换的代价也很明确：模型用神经网络快速产生近似分布，换掉了逐个样本精确求后验的计算。公式和实验要检查的，正是这笔交换能否带来可扩展的训练。

ELBO：把算不动的边际似然拆开

对一条观测

x

，生成模型真正想最大化的是边际似然：

lo g p_{θ} (x) = lo g \int p_{θ} (x, z) d z

积分里的

z

是没有观察到的变量。我们引入近似后验

q_{ϕ} (z ∣ x)

，可以得到论文的分解：

lo g p_{θ} (x) = D_{K L} (q_{ϕ} (z ∣ x) ∥ p_{θ} (z ∣ x)) + L (θ, ϕ; x)

KL 散度衡量两个分布有多不一样，而且一定非负。因此：

lo g p_{θ} (x) \geq L (θ, ϕ; x)

这个

L

就是 ELBO（evidence lower bound，证据下界）。它把一个难以直接计算的目标，换成了一个可以估计和优化的下界。2

把 ELBO 再改写一步，训练目标就更直观：

L (θ, ϕ; x) = E_{q_{ϕ} (z ∣ x)} [lo g p_{θ} (x ∣ z)] - D_{K L} (q_{ϕ} (z ∣ x) ∥ p_{θ} (z))

右边第一项是重构项。它要求从

z

出发的解码器给原数据

x

较高概率；二值图像使用 Bernoulli likelihood，连续数据使用 Gaussian likelihood。第二项是 KL 正则项，它把编码器输出的分布拉向先验

p_{θ} (z)

。原论文选用标准高斯先验

N (0, I)

。2

读这条式子时，可以把它当成两个要求的拉扯：

z

必须保留足够信息来还原

x

，同时又不能变成每张图各自占据一块、彼此没有规律的编码空间。KL 项把潜空间的形状约束到一个统一的先验附近；重构项则防止模型把所有输入都压成没有信息的噪声。

真正的难点：如何对随机样本反向传播

ELBO 里有一个期望：模型需要从

q_{ϕ} (z ∣ x)

采样，再计算解码概率。对

θ

求梯度比较直接；对

ϕ

求梯度却麻烦，因为

ϕ

同时决定了采样分布本身。

一种朴素做法叫 score-function estimator：把函数值乘上

\nabla_{ϕ} lo g q_{ϕ} (z ∣ x)

。论文指出，这种估计器的方差很高，在这里不实用。2

重参数化技巧把「随机性来自哪里」换了一种写法。模型先从一个与

ϕ

无关的标准噪声分布采样：

ϵ \sim N (0, I)

再用编码器输出的均值和标准差构造隐变量：

z = μ_{ϕ} (x) + σ_{ϕ} (x) ⊙ ϵ

这里

⊙

表示逐坐标相乘。

ϵ

负责随机性，

μ

和

σ

负责把随机性搬到正确的位置和尺度。这样，给定一次噪声后，

z

是

ϕ

的可微函数，梯度就能沿着「编码器输出 →

z

→ 解码器」这条路径传回去。2

一个一维例子足够说明它的含义。若

z \sim N (μ, σ^{2})

，就写成：

z = μ + σ ϵ, ϵ \sim N (0, 1)

训练时，噪声样本可以换，梯度路径却始终经过明确的加法和乘法。模型保留了概率采样，也获得了普通神经网络一样的反向传播路径。重参数化不是把随机变量变成一个固定点，而是把随机变量拆成「固定分布噪声 + 可学习变换」。

一次小批量更新到底算什么

对于一批

M

个样本，AEVB 的计算可以按五步读：

编码。 对每个 $x^{(i)}$ ，编码器输出 $μ^{(i)}$ 和 $σ^{(i)}$ ，定义 $q_{ϕ} (z ∣ x^{(i)})$ 。
取噪声。 从 $N (0, I)$ 取一个或多个 $ϵ^{(i, l)}$ 。
构造隐变量。 计算 $z^{(i, l)} = μ^{(i)} + σ^{(i)} ⊙ ϵ^{(i, l)}$ 。
算目标。 计算解码器的 $lo g p_{θ} (x^{(i)} ∣ z^{(i, l)})$ ，再减去 $q_{ϕ} (z ∣ x^{(i)})$ 与先验 $p_{θ} (z)$ 的 KL 散度。
反向传播。 对这批样本的下界估计求 $θ$ 、 $ϕ$ 的梯度，用 SGD 或 Adagrad 更新两组参数。

如果用小批量代替完整数据集，论文用

N / M

乘上小批量目标，使它成为完整数据集下界的估计：

L^{M} (θ, ϕ; X^{M}) = \frac{N}{M} i = 1 \sum M L (θ, ϕ; x^{(i)})

在 VAE 的对角高斯设定下，KL 项可以直接算出来：

- D_{K L} (q_{ϕ} (z ∣ x) ∣∣ N (0, I)) = \frac{1}{2} j = 1 \sum J (1 + lo g σ_{j}^{2} - μ_{j}^{2} - σ_{j}^{2})

这条公式的每一项都有清楚的作用。

μ_{j}^{2}

惩罚均值离开 0，

σ_{j}^{2}

惩罚方差偏离 1，

lo g σ_{j}^{2}

来自高斯分布的熵。重构项仍需要对采样到的

z

求平均。原论文在实验中使用小批量

M = 100

，每个数据点只取

L = 1

个隐变量样本；这种设置把一次更新的随机采样成本压得很低。2

实验：它证明了哪一层能力

论文在 MNIST 和 Frey Face 数据集上训练生成模型，并把 AEVB 与 wake-sleep 比较。MNIST 的 encoder 和 decoder 各使用 500 个隐藏单元，Frey Face 各使用 200 个隐藏单元；参数用随机小值初始化，优化使用 Adagrad，训练采用

M = 100

、

L = 1

。2

Figure 2：下界优化速度

原论文 Figure 2：MNIST 与 Frey Face 上 AEVB 和 wake-sleep 的下界优化曲线 — 图 1｜原论文 Figure 2。横轴是评估过的训练样本数，纵轴是每个数据点的变分下界；红色曲线表示 AEVB，绿色曲线表示 wake-sleep，实线为训练曲线，虚线为测试曲线。图中 AEVB 在这些设置下通常上升更快，并达到更高的下界；Frey Face 的曲线还显示，wake-sleep 较早进入平台。2

图 2 回答的是「在相同实验框架下，哪种方法更快把这个下界优化好」。它支持 AEVB 在这些设置下的训练效率和目标一致性：AEVB 直接优化一个与边际似然下界对应的目标，而论文指出 wake-sleep 的两个目标合在一起并不对应某个边际似然下界。图中的纵轴是下界，读者不能据此判断人类可解释性或所有场景下的样本质量。2

Figure 3：边际似然估计的边界

论文还在 MNIST 的低维潜空间设置中，用 3 个 latent variables 比较 AEVB、wake-sleep 和 Monte Carlo EM（MCEM）的边际似然估计。MCEM 不是在线算法，面对完整 MNIST 数据集时也无法像 AEVB 和 wake-sleep 那样高效使用。论文同时提醒，更高维潜空间会让这个边际似然估计变得不可靠。2

实验结论可以收窄到三句话：AEVB 在作者的 MNIST/Frey Face 配置上更快优化下界；它把识别模型和生成模型放进同一个变分目标；低维设置中的边际似然比较展示了可行性，但没有覆盖高维潜空间的生成质量。原论文还报告，Figure 2 的计算在 Intel Xeon、有效 40 GFLOPS 的环境下，每百万训练样本约需 20—40 分钟；这个数字属于当时的硬件和实现。2

两个后续问题：下界够紧吗，潜变量可解释吗

AEVB 把「如何让后验推断可训练」这件事解决后，后续工作沿着两条不同方向继续追问。

IWAE 追问下界的松紧。 Burda、Grosse 和 Salakhutdinov 的 Importance Weighted Autoencoders 保留 VAE 的 top-down generative network 与 bottom-up recognition network，但用多个样本做 importance weighting，得到更紧的 log-likelihood 下界。论文摘要还报告，IWAE 在密度估计基准上学到比 VAE 更丰富的潜空间表示，并获得更好的测试 log-likelihood。它改变了估计目标的松紧和样本数量，重参数化技巧仍然可以沿用。3

β-VAE 追问表示结构。 Higgins 等人的 β-VAE 工作把 KL 项的权重改成

β

，研究潜变量是否会与数据生成因素更好地对齐。后续的 Understanding disentangling in β-VAE 从 rate-distortion 角度讨论了训练过程中表示解耦的条件，并提出逐步增加潜代码信息容量的训练方式；它明确把重构准确率和解耦表示放在同一个权衡里。4

这两条后续路线没有改掉 VAE 的核心计算链。IWAE 增加样本来收紧下界，β-VAE 调整 KL 项的权重来改变潜空间约束。读者因此可以把后续论文的贡献定位得更准确：它们分别改变「目标估计有多紧」和「表示结构偏向什么」，而 AEVB 的原始贡献是让连续潜变量的近似后验能够进入标准随机梯度训练。

这篇论文留下的判断

VAE 最容易被记成「编码器输出均值和方差，解码器重构图片」。这个记法遗漏了论文真正解决的计算瓶颈。

AEVB 做了三件相互咬合的事：用

q_{ϕ} (z ∣ x)

把不可解的真实后验变成可学习近似，用 ELBO 把边际似然改写成重构项减 KL 项，再用

z = μ + σ ⊙ ϵ

把随机采样写成可微路径。三件事缺一不可：没有近似后验，计算仍然落回原来的积分；没有下界，训练目标没有可计算的替代物；没有重参数化，编码器参数的梯度会被高方差估计器拖住。

它换来的能力是可扩展的近似推断与生成模型训练。它没有凭这套机制保证真实后验已经被精确恢复，也没有保证潜变量自动对应人类命名的因素。读下一篇 VAE 论文时，可以先问三个问题：作者优化的是哪个下界？随机样本如何把梯度传回 encoder？实验测的是下界、边际似然、重构误差，还是表示结构？这三个问题能把「模型看起来会生成」和「论文确实解决了什么」分开。

论文原文：Auto-Encoding Variational Bayes。

References

1
Auto-Encoding Variational Bayes
arxiv.org
2
Auto-Encoding Variational Bayes，公式（1）—（2）
arxiv.org
3
Importance Weighted Autoencoders
arxiv.org
4
Understanding disentangling in β-VAE
arxiv.org