通过流形拓扑评估深度生成模型的解耦性
机器学习
2021-03-19 v5 计算机视觉与模式识别
机器学习
摘要
学习解耦表示被视为提升生成模型泛化能力、鲁棒性与可解释性的基础任务。然而，衡量解耦程度一直具有挑战性且标准不一，往往依赖于特定的外部模型或仅适用于某一数据集。为此，我们提出一种仅利用生成模型、通过度量所学表示中条件子流形的拓扑相似性来量化解耦程度的方法。该方法包含无监督与有监督两种变体。为说明方法的有效性与适用性，我们在多个数据集上对数个最先进（state-of-the-art）模型进行了实证评估。我们发现，本方法对模型的排序与现有方法相似。我们的代码已公开于 https://github.com/stanfordmlgroup/disentanglement。
引用
@article{arxiv.2006.03680,
title = {Evaluating the Disentanglement of Deep Generative Models through Manifold Topology},
author = {Sharon Zhou and Eric Zelikman and Fred Lu and Andrew Y. Ng and Gunnar Carlsson and Stefano Ermon},
journal= {arXiv preprint arXiv:2006.03680},
year = {2021}
}
备注
Published at ICLR 2021