DOT-VAE：一次解耦一个因子
机器学习
2022-10-24 v2 神经与进化计算
摘要
随着我们进入以数据过剩为特征的机器学习时代，以无监督方式发现、组织和解释数据成为关键需求。实现这一目标的一个有前景的途径是解耦问题，其旨在学习数据的底层生成隐因子（称为变异因子）并将其编码在互不相交的隐表示中。近期进展致力于为由固定独立变异因子集生成的合成数据集解决此问题。在此，我们提出将其扩展至具有可数变异因子数量的真实世界数据集。我们提出一种新颖框架，该框架通过解耦空间增强变分自编码器的隐空间，并采用受 Wake-Sleep 启发的两步算法进行无监督解耦训练。我们的网络学习从数据中“一次一个”地解耦可解释的独立因子，并将其编码于解耦隐空间的不同维度中，同时不对因子数量或其联合分布作任何先验假设。我们通过在两个合成基准数据集 DSprites 和 3DShapes 以及一个真实数据集 CelebA 上评估所学隐表示，展示了其定量与定性有效性。
引用
@article{arxiv.2210.10920,
title = {DOT-VAE: Disentangling One Factor at a Time},
author = {Vaishnavi Patil and Matthew Evanusa and Joseph JaJa},
journal= {arXiv preprint arXiv:2210.10920},
year = {2022}
}