Smooth InfoMax (SIM)은 네트워크의 다양한 깊이에서 잠재 표현에 해석 가능성 제약 조건을 통합하는 자기 지도 학습 표현 학습 방법입니다. β-VAEs를 기반으로 하는 SIM의 아키텍처는 InfoNCE 손실을 사용하여 국소적으로 최적화되는 확률적 모듈로 구성되며, 표준 정규 분포를 향해 규제되는 가우시안 분포 표현을 생성합니다. 이를 통해 매끄럽고 잘 정의되고 더 잘 분리된 잠재 공간을 생성하여 사후 분석을 용이하게 합니다. 음성 데이터에 대해 평가한 결과, SIM은 Greedy InfoMax의 대규모 훈련 이점을 유지하면서 계층 전반에 걸쳐 사후 해석 가능성 방법의 효과를 향상시킵니다.
