深入半监督 ELBO 以提升分类性能
机器学习
2022-11-22 v2
摘要
对用于密度估计的 VAE 的证据下界 (ELBO) 目标进行分解，揭示了 VAE 在表示学习上的不足并给出了改进模型的方向。在本文中，我们探究是否能通过对使用 VAE 模型的半监督分类的 ELBO 进行分解获得类似见解。具体而言，我们表明在最大化 ELBO 目标的过程中输入与类标签间的互信息会下降。我们提出一种解决该问题的方法。我们还施加聚类假设以辅助分类。在多个不同数据集上的实验验证了我们的方法可用于提升现有基于 VAE 的半监督模型的分类性能。实验还表明，这可以在不牺牲模型生成能力的前提下实现。
引用
@article{arxiv.2108.12734,
title = {Deep Dive into Semi-Supervised ELBO for Improving Classification Performance},
author = {Fahim Faisal Niloy and M. Ashraful Amin and AKM Mahbubur Rahman and Amin Ahsan Ali},
journal= {arXiv preprint arXiv:2108.12734},
year = {2022}
}
备注
Under Review