DCI-ES：一个与可辨识性相关联的扩展解耦框架
机器学习
2023-02-20 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
在表示学习中，一种常见方法是寻求将底层变异因子解耦的表示。Eastwood & Williams（2018）提出了量化此类解耦表示质量的三个指标：解耦度（D）、完备性（C）与信息量（I）。本工作中，我们首先将该 DCI 框架与线性和非线性可辨识性两种常见概念相联系，从而建立解耦与密切相关领域独立成分分析之间的形式化关联。随后我们提出一个扩展的 DCI-ES 框架，引入两个表示质量的新测度——显式度（E）与规模（S）——并指出 D 与 C 可针对黑盒预测器进行计算。我们的核心思想是：使用一个表示所需的功能容量是表示质量中重要但迄今被忽视的一个方面，我们通过显式度或易用性（E）对其量化。我们在 MPI3D 与 Cars3D 数据集上阐释了我们扩展的相关性。
引用
@article{arxiv.2210.00364,
title = {DCI-ES: An Extended Disentanglement Framework with Connections to Identifiability},
author = {Cian Eastwood and Andrei Liviu Nicolicioiu and Julius von Kügelgen and Armin Kekić and Frederik Träuble and Andrea Dittadi and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2210.00364},
year = {2023}
}
备注
Accepted to ICLR 2023