CausalGAN：通过对抗训练学习因果隐式生成模型
机器学习
2017-09-18 v2 人工智能
信息论
math.IT
机器学习
摘要
我们提出了一种对抗训练过程，用于学习给定因果图的因果隐式生成模型。我们表明，如果生成器架构与给定的因果图一致，则对抗训练可用于学习具有真实观测分布和干预分布的生成模型。我们考虑了基于给定二元标签生成人脸的应用，其中标签之间的依赖结构通过因果图得以保留。该问题可视为学习图像和标签的因果隐式生成模型。我们为此问题设计了一个两阶段过程。首先，我们使用与因果图一致的神经网络作为生成器，在二元标签上训练一个因果隐式生成模型。我们经验性地表明，WassersteinGAN可用于输出离散标签。随后，我们提出了两种新的条件GAN架构，称为CausalGAN和CausalBEGAN。我们表明，给定标签后，CausalGAN的最优生成器从以这些标签为条件的图像分布中采样。条件GAN与训练好的标签因果隐式生成模型相结合，便成为标签和生成图像上的因果隐式生成模型。我们表明，所提出的架构可用于从观测和干预图像分布中采样，即使对于数据集中自然不发生的干预也是如此。
引用
@article{arxiv.1709.02023,
title = {CausalGAN: Learning Causal Implicit Generative Models with Adversarial Training},
author = {Murat Kocaoglu and Christopher Snyder and Alexandros G. Dimakis and Sriram Vishwanath},
journal= {arXiv preprint arXiv:1709.02023},
year = {2017}
}