通过对抗特征学习实现可控不变性
机器学习
2018-01-30 v3 人工智能
计算与语言
摘要
在机器学习中，学习有意义的表示，使其保持特定任务所需的内容同时过滤掉有害变化，是一个备受关注的问题。本文中，我们解决学习对数据的特定因素或特征保持不变的表示的问题。表示学习过程被表述为一个对抗性极小极大博弈。我们分析了此类博弈的最优均衡，发现它等同于在给定表示下最大化推断有害因素的不确定性，同时最大化特定任务预测的确定性。在三个基准任务上，即公平且无偏分类、语言无关生成和光照无关图像分类，我们表明所提框架能诱导出不变表示，并通过性能提升证明了更好的泛化能力。
引用
@article{arxiv.1705.11122,
title = {Controllable Invariance through Adversarial Feature Learning},
author = {Qizhe Xie and Zihang Dai and Yulun Du and Eduard Hovy and Graham Neubig},
journal= {arXiv preprint arXiv:1705.11122},
year = {2018}
}
备注
NIPS 2017