独立深度生成模型混合的竞争性训练
机器学习
2019-03-05 v4 人工智能
机器学习
摘要
因果建模中的一个常见假设认为，数据是由一组独立的机制生成的，算法应旨在恢复这种结构。然而，标准的无监督学习通常关注于训练单个模型来捕捉整体分布或其某些方面。受聚类方法的启发，我们考虑了隐式生成模型的混合，以“解耦”数据背后的独立生成机制。借助一组额外的判别器，我们提出了一种竞争性训练过程，其中模型只需捕捉它们能够从中生成逼真样本的那部分数据分布。作为副产品，每个模型的训练更简单且更快速。我们通过实验表明，我们的方法以合理的方式划分了训练分布，并提高了生成样本的质量。
引用
@article{arxiv.1804.11130,
title = {Competitive Training of Mixtures of Independent Deep Generative Models},
author = {Francesco Locatello and Damien Vincent and Ilya Tolstikhin and Gunnar Rätsch and Sylvain Gelly and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:1804.11130},
year = {2019}
}