以稀疏标签增强变分自编码器：一种统一的无监督、半（无）监督与有监督学习框架
机器学习
2019-11-15 v2 人工智能
神经与进化计算
机器学习
摘要
我们提出一种新型变分自编码器（VAE），可在无监督、半监督与全监督学习领域之间无缝插值。我们表明，未标记数据点不仅提升无监督任务，也提升分类性能。反之，每个标签不仅改善分类，也改善无监督任务。所提架构简单：一个分类层连接到最顶层编码器层，然后与重采样的潜变量层结合用于解码器。通常的证据下界（ELBO）损失在该分类层上补充了一个仅用于标记数据点的监督损失目标。这种简洁性使得以极小代价将任何现有 VAE 模型扩展到我们提出的半监督框架成为可能。在分类背景下，我们发现该方法甚至优于直接的监督设置。
引用
@article{arxiv.1908.03015,
title = {Augmenting Variational Autoencoders with Sparse Labels: A Unified Framework for Unsupervised, Semi-(un)supervised, and Supervised Learning},
author = {Felix Berkhahn and Richard Keys and Wajih Ouertani and Nikhil Shetty and Dominik Geißler},
journal= {arXiv preprint arXiv:1908.03015},
year = {2019}
}