基于拓扑的解耦表示学习
机器学习
2025-03-17 v4 人工智能
信息论
微分几何
math.IT
摘要
我们提出 TopDis（拓扑解耦），一种通过添加多尺度拓扑损失项来学习解耦表示的方法。解耦是数据表示的关键属性，对深度学习模型的可解释性与鲁棒性至关重要，并是迈向高级认知的一步。最先进的方法基于 VAE，并鼓励潜变量的联合分布被因子化。我们通过分析数据流形的拓扑性质，对解耦采取了不同视角。具体而言，我们优化数据流形遍历的拓扑相似性。据我们所知，我们的论文是首个提出用于解耦学习的可微分拓扑损失的。我们的实验表明，相较于最先进结果，所提出的 TopDis 损失提升了 MIG、FactorVAE 分数、SAP 分数和 DCI 解耦分数等解耦指标，同时保持了重建质量。我们的方法以无监督方式工作，允许我们将其应用于无标注变化因素的问题。即使变化因素相关，TopDis 损失也有效。此外，我们展示了如何使用所提出的拓扑损失在训练好的 GAN 中寻找解耦方向。
引用
@article{arxiv.2308.12696,
title = {Disentanglement Learning via Topology},
author = {Nikita Balabin and Daria Voronkova and Ilya Trofimov and Evgeny Burnaev and Serguei Barannikov},
journal= {arXiv preprint arXiv:2308.12696},
year = {2025}
}