基于离散无向图模型集成体的对抗学习推断
机器学习
2020-10-23 v3 计算机视觉与模式识别
机器学习
摘要
无向图模型是随机变量上联合概率分布的紧凑表示。为解决感兴趣的推断任务，可使用经验风险最小化训练任意拓扑的图模型。然而，为解决训练期间未见的推断任务，这些模型（EGMs）往往需重新训练。相反，我们提出一种与推断无关的对抗训练框架，其产生无限大的图模型集成（AGMs）。该集成在GAN框架内优化以生成数据，并使用这些模型的有限子集执行推断。AGMs在EGMs专门优化的推断任务上与之表现相当。最重要的是，与EGMs以及允许任意条件的GibbsNet和VAEAC等深度神经架构相比，AGMs对未见推断任务展现出显著更好的泛化能力。最后，AGMs允许快速数据采样，与从EGMs的Gibbs采样具有竞争力。
引用
@article{arxiv.2007.05033,
title = {Adversarially-learned Inference via an Ensemble of Discrete Undirected Graphical Models},
author = {Adarsh K. Jeewajee and Leslie P. Kaelbling},
journal= {arXiv preprint arXiv:2007.05033},
year = {2020}
}
备注
17 pages, 5 figures, 5 tables. NeurIPS 2020