CFASL：用于变分自编码器解耦的复合因子对齐对称性学习
机器学习
2024-11-13 v3 人工智能
摘要
输入和潜在向量的对称性为VAE中的解耦学习提供了宝贵的见解。然而，仅有少数工作被提出作为无监督方法，且即使是这些工作也需要训练数据中已知的因子信息。我们提出了一种新方法，即复合因子对齐对称性学习（CFASL），它被集成到VAE中，用于在无监督学习中学习基于对称性的解耦，无需任何数据集因子信息的先验知识。CFASL融合了三个用于学习基于对称性解耦的新颖特性：1）注入归纳偏置，在一个显式的可学习对称性码本内将潜在向量维度对齐到因子对齐的对称性；2）通过学习码本内的因子对齐对称性，学习一个复合对称性来表达两个随机样本之间未知因子的变化；3）在满足这两个条件的情况下，在训练VAE时引入群等变编码器和解码器。此外，与VAE中的解耦评估相比，我们提出了一个针对多因子变化的扩展评估指标。在定量和深入的定性分析中，与最先进的方法相比，CFASL在单因子变化和多因子变化条件下均展示了解耦性能的显著提升。
引用
@article{arxiv.2401.08897,
title = {CFASL: Composite Factor-Aligned Symmetry Learning for Disentanglement in Variational AutoEncoder},
author = {Hee-Jun Jung and Jaehyoung Jeong and Kangil Kim},
journal= {arXiv preprint arXiv:2401.08897},
year = {2024}
}
备注
Accepted in TMLR 25 pages, 14 figures