利用自然聚类解耦并学习鲁棒表示
机器学习
2020-04-07 v3 机器学习
摘要
学习能够将数据中潜在变异因素解耦的表示是深度模型实现泛化的一种直观方式。在这项工作中，我们处理由于数据中存在类别区分而导致生成因素呈现多模态分布的场景。我们提出 N-VAE，一种能够将特定于某些类别的变异因素与类别间共享的变异因素分离的模型。该模型通过定义一个类别条件潜空间和一个共享潜空间，实现了显式的组合式潜变量结构。我们展示了其在检测和解耦类别相关生成因素方面的有用性，以及其生成包含训练数据中未见特征的人工样本的能力。
引用
@article{arxiv.1901.09415,
title = {Disentangling and Learning Robust Representations with Natural Clustering},
author = {Javier Antoran and Antonio Miguel},
journal= {arXiv preprint arXiv:1901.09415},
year = {2020}
}
备注
Accepted at ICMLA 2019