Elastic-InfoGAN：类别不平衡数据中的无监督解耦表示学习
机器学习
2020-11-02 v2 计算机视觉与模式识别
机器学习
摘要
我们提出一种新颖的无监督生成模型，学习在类别不平衡数据中将对象身份与其他低级方面解耦。我们首先考察 InfoGAN 关于均匀性假设所带来的问题，并展示其在不平衡数据中无法恰当解耦对象身份。我们的核心思路是使离散潜变量的发现对真实图像中保持身份的转换保持不变，并将其用作学习表示对象身份的适当潜分布的信号。在人工（MNIST、3D cars、3D chairs、ShapeNet）与真实世界（YouTube-Faces）不平衡数据集上的实验证明了我们的方法在将对象身份解耦为潜变化因子上的有效性。
引用
@article{arxiv.1910.01112,
title = {Elastic-InfoGAN: Unsupervised Disentangled Representation Learning in Class-Imbalanced Data},
author = {Utkarsh Ojha and Krishna Kumar Singh and Cho-Jui Hsieh and Yong Jae Lee},
journal= {arXiv preprint arXiv:1910.01112},
year = {2020}
}
备注
Camera ready version for NeurIPS 2020