在无潜在因子先验知识下评估生成模型的解耦性
机器学习
2022-10-05 v1 机器学习
摘要
概率生成模型为学习数据的底层几何结构提供了灵活且系统的框架。然而，在此设定下进行模型选择具有挑战性，尤其是在选择解耦性或可解释性等定义不清的性质时。在本工作中，我们通过引入一种基于学习过程中所展现的训练动态对生成模型进行排序的方法来弥补这一不足。受近期关于解耦性的理论刻画的启发，我们的方法不需要潜在底层因子的监督。我们论证了对于不需要标签（即底层生成因子）的解耦性度量的需求，从而评估了我们的方法。此外，我们证明了我们的方法与用于评估解耦性的基线监督方法具有相关性。最后，我们展示了我们的方法可用作强化学习和公平性分类问题下游性能的无监督指示器。
引用
@article{arxiv.2210.01760,
title = {Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors},
author = {Chester Holtz and Gal Mishne and Alexander Cloninger},
journal= {arXiv preprint arXiv:2210.01760},
year = {2022}
}