CDCGen：基于归一化流与对抗训练的跨域条件生成
计算机视觉与模式识别
2021-08-26 v1 机器学习
摘要
如何在不利用标签/属性信息的情况下为某个领域生成条件合成数据？我们的工作为上述问题提供了一种解决方案。我们提出了一个基于迁移学习的框架，该框架利用归一化流，并结合了最大似然训练与对抗训练。我们使用各自的归一化流对源域（有标签）和目标域（无标签）进行建模，并利用对抗判别器将两个域对齐到一个共同的潜在空间。由于流模型的可逆性，该映射具有精确的循环一致性。我们还通过采用编码器在对抗训练下将属性映射到潜在空间，从而学习源域中数据样本与属性的联合分布。在合成阶段，给定属性的任意组合，我们的方法可以在目标域中生成以这些属性为条件的合成样本。实证研究证实了我们的方法在基准数据集上的有效性。我们设想，该方法通过属性变换生成非平凡的增强，对于标签稀缺系统中的合成数据生成将特别有用。与几何和光度变换相比，这些合成样本将向标签稀缺域引入更多的熵，有助于鲁棒的下游任务。
引用
@article{arxiv.2108.11368,
title = {CDCGen: Cross-Domain Conditional Generation via Normalizing Flows and Adversarial Training},
author = {Hari Prasanna Das and Ryan Tran and Japjot Singh and Yu-Wen Lin and Costas J. Spanos},
journal= {arXiv preprint arXiv:2108.11368},
year = {2021}
}
备注
Workshop on Machine Learning for Data: Automated Creation,Privacy, Bias, In 38th International Conference on Machine Learning (ICML) 2021