ETD

• beta variational autoencoders
• betavae
• classification
• disentanglement
• latent representations
• rbf
• variational autoencoder

In this thesis, we investigate whether disentangled latent representations obtained via a beta-Variational Autoencoder (beta-VAE) can improve the performance of Radial Basis Function (RBF) classifiers compared to entangled representations obtained with a standard VAE.
The central hypothesis is that a disentangled latent space provides more structured and separable regions, allowing the RBF classifier to place its centers in more meaningful positions, thereby improving classification performance across all metrics : accuracy, precision, recall, and F1-score.
Experiments are conducted on the 3DShapes dataset using a Spherical RBF classifier trained on latent representations extracted by a standard VAE and different beta-VAE models.

In questa tesi, investighiamo la possibilità che rappresentazioni latenti disentangled ottenute con beta-Variational Autoencoders possano migliorare la performance di classificatori basati su Radial Basis Function (RBF) rispetto a rappresentazioni entangled ottenute con un VAE standard.
L'ipotesi centrale è che uno spazio latente disentangled possa risultare in regioni dello spazio più strutturate e separate, che permettano al classificatore RBF di posizionare i propri centri in posizioni più significative, migliorando di conseguenza le prestazioni di classificazione in tutte le metriche: accuracy, precision, recall e F1-score. Gli esperimenti sono stati condotti sul dataset 3DShapes utilizzando classificatori RBF sferici, allenati su rappresentazioni estratte da modelli vae standard e beta.