EXoN：可解释编码器网络
机器学习
2022-10-18 v3 机器学习
摘要
我们提出了一种变分自编码器（VAE）的新的半监督学习方法，通过可解释编码器网络（EXoN）产生定制化且可解释的潜空间。定制化是指针对特定带标签数据对潜空间布局进行手动设计。为了在不损失生成模型性能的前提下提升我们的VAE在分类任务中的表现，我们采用了一种称为SCI（软标签一致性插值）的新的半监督分类方法。分类损失与Kullback-Leibler散度在构建可解释潜空间中起着关键作用。我们所提模型生成样本的变化性依赖于一个特定的子空间，称为激活潜子空间。我们在MNIST和CIFAR-10数据集上的数值结果表明，EXoN产生了可解释的潜空间，并降低了在潜空间上研究表示模式的成本。
引用
@article{arxiv.2105.10867,
title = {EXoN: EXplainable encoder Network},
author = {SeungHwan An and Hosik Choi and Jong-June Jeon},
journal= {arXiv preprint arXiv:2105.10867},
year = {2022}
}