连接主义模型中表征分解的即插即用方法

本文关注以半监督方式将生成对抗网络中的潜表征或深度自编码器中学得的特征表征分解为语义可控因子，且无需修改原始训练模型。特别地，我们提出因子分解-解纠缠网络（FDEN），其学习将潜表征分解为相互独立的因子。给定潜表征，所提框架抽取一组可解释因子，每个因子通过对齐独立的变化因子并以信息论方式最小化其总相关性而得到。作为即插即用方法，我们将提出的 FDEN 应用于现有的对抗学习推断网络与 pioneer 网络，并以语义方式执行图像到图像翻译的计算机视觉任务，例如在保持主体身份的同时改变风格，以及少样本学习方案中的对象分类。我们还通过定性、定量与统计检验的各种消融研究验证了所提方法的有效性。