一种改进的半监督 VAE 用于学习解耦表征
机器学习
2020-06-24 v2 机器学习
摘要
学习可解释且解耦的表征是表征学习中一项关键但极具挑战的任务。本文聚焦于半监督解耦学习，并扩展了 Locatello 等人 (2019) 的工作，引入了一种我们称之为标签替换的额外监督来源。具体而言，在训练过程中，每当数据点对应的真实表征可用时，我们便用其替换推断出的表征。我们的扩展在理论上受到所提出的 VAE 背景下半监督解耦学习通用框架的启发，该框架自然地引出了现有半监督 VAE（但非用于解耦学习）中常用的监督项。在合成数据集和真实数据集上的大量实验从定量和定性角度均表明，我们的扩展能够在极有限的监督下显著且持续地改善解耦效果。
引用
@article{arxiv.2006.07460,
title = {An Improved Semi-Supervised VAE for Learning Disentangled Representations},
author = {Weili Nie and Zichao Wang and Ankit B. Patel and Richard G. Baraniuk},
journal= {arXiv preprint arXiv:2006.07460},
year = {2020}
}