循环一致对抗学习作为近似贝叶斯推断
机器学习
2018-08-27 v3 机器学习
摘要
我们将在无配对数据情况下学习域间对应关系的问题形式化为潜变量模型(LVM)中的贝叶斯推断，其中人们从一个域中的实体寻求作为另一域中实体的底层隐藏表示。首先，我们引入隐式潜变量模型，其中隐藏表示上的先验可以灵活地指定为隐式分布。接下来，我们基于变分联合分布与精确联合分布之间对称Kullback-Leibler(KL)散度的最小化，为该模型开发了一种新的变分推断(VI)算法。最后，我们证明最先进的循环一致对抗学习(CYCLEGAN)模型可以作为我们提出的VI框架内的一个特例推导出来，从而建立其与近似贝叶斯推断方法的联系。
引用
@article{arxiv.1806.01771,
title = {Cycle-Consistent Adversarial Learning as Approximate Bayesian Inference},
author = {Louis C. Tiao and Edwin V. Bonilla and Fabio Ramos},
journal= {arXiv preprint arXiv:1806.01771},
year = {2018}
}
备注
Presented at the ICML 2018 Workshop on Theoretical Foundations and Applications of Deep Generative Models. Stockholm, Sweden, 2018