用于无监督条件生成双重循环一致生成对抗网络
机器学习
2021-04-06 v3 计算机视觉与模式识别
机器学习
摘要
条件生成模型在过去几年取得了可观的成功，但通常需大量标注数据。近期，ClusterGAN 将 GAN 与编码器结合，通过无监督条件生成实现了卓越的聚类性能。然而，它忽略了数据的真实条件分布，导致为每个类生成的样本多样性不足，并使编码器仅达到次优聚类性能。在此，我们提出一种新的无监督条件生成框架——双重循环一致条件 GAN（DC3-GAN），其可生成多样的类条件样本。我们除生成器-编码器对外，还强制 GAN 的编码器与生成器构成编码器-生成器对，从而使我们避免低多样性生成与潜特征的平凡性。我们使用真实数据训练编码器-生成器对，可间接估计真实条件分布。同时，该框架强制编码器输出匹配 GAN 输入与先验噪声分布，将潜空间解耦为两部分：one-hot 离散与连续潜变量。前者可直接表示为聚类，后者代表其余未指定因素。本工作表明，增强无监督条件生成样本的多样性可提升聚类性能。在不同基准数据集上的实验表明，所提方法优于现有基于生成模型的聚类方法，并实现了最优解耦性能。
引用
@article{arxiv.1911.05210,
title = {Double cycle-consistent generative adversarial network for unsupervised conditional generation},
author = {Fei Ding and Feng Luo and Yin Yang},
journal= {arXiv preprint arXiv:1911.05210},
year = {2021}
}
备注
12 pages, 4 figures, and 12 tables