通过迭代数据-属性互映射实现可控数据生成
机器学习
2023-10-12 v1 人工智能
摘要
深度生成模型因能在图像、分子、文本与语音等多个领域生成逼真数据样本而被广泛使用。数据生成的一个主要目标是可控性，即生成具有期望属性的新数据。尽管可控生成领域兴趣日增，仍存在重大挑战，包括 1) 将期望属性与无关潜变量解耦，2) 分布外属性控制，以及 3) 分布外属性控制的客观优化。为应对这些挑战，本文提出一个通用框架，以增强基于 VAE 的数据生成器的属性可控性并确保解耦。我们提出的客观函数可在训练集已见与未见数据上优化。我们提出一种训练流程，通过迭代执行数据与属性间的互映射以半监督方式训练该目标。所提框架在四个基于 VAE 的可控生成器上实现，以评估其在属性误差、解耦、生成质量与训练时间上的性能。结果表明，我们提出的框架能在较短训练时间内对生成样本的属性实现更精确控制，同时确保解耦并保持生成样本的有效性。
引用
@article{arxiv.2310.07683,
title = {Controllable Data Generation Via Iterative Data-Property Mutual Mappings},
author = {Bo Pan and Muran Qin and Shiyu Wang and Yifei Zhang and Liang Zhao},
journal= {arXiv preprint arXiv:2310.07683},
year = {2023}
}