基于子空间扩散的解耦
机器学习
2020-11-19 v2 机器学习
摘要
我们提出了一种新颖的基于对称性的数据流形解耦非参数算法——几何流形分量估计器(GEOMANCER)。GEOMANCER对Higgins等人(2018)提出的问题给出了部分回答:是否可能仅从某对象所受作用的Lie群轨道观测中学习如何对该Lie群进行因式分解?我们证明,若流形的真实度量已知且各因子流形具有非平凡和乐——例如三维旋转——则完全无监督的流形因式分解是可能的。我们的算法通过估计在随机游走扩散下不变的子空间来工作,给出了微分几何中de Rham分解的近似。我们在若干复杂合成流形上展示了GEOMANCER的有效性。我们的工作将无监督解耦是否可能的问题,归结为无监督度量学习是否可能的问题,从而为表示学习的几何本质提供了统一的洞见。
引用
@article{arxiv.2006.12982,
title = {Disentangling by Subspace Diffusion},
author = {David Pfau and Irina Higgins and Aleksandar Botev and Sébastien Racanière},
journal= {arXiv preprint arXiv:2006.12982},
year = {2020}
}
备注
Camera-ready version for NeurIPS 2020