FAVAE：利用信息瓶颈原理进行序列解耦
机器学习
2019-05-31 v2 机器学习
摘要
我们提出因子化动作变分自编码器（FAVAE），一种最先进的生成模型，用于通过信息瓶颈在无监督情况下从序列数据中学习解耦且可解释的表示。解耦表示学习的目的是从数据中获取可解释且可迁移的表示。我们聚焦于序列数据的解耦表示，因为若解耦表示扩展到视频、语音和股票市场等序列数据，则有广泛的应用前景。序列数据的特征在于动态与静态因子：动态因子与时间相关，静态因子与时间无关。先前的模型通过显式建模潜变量的先验以区分这些因子来解耦静态与动态因子。然而，这些模型无法在动态因子之间解耦表示，例如无法解耦机器人任务中的“拾起”与“抛掷”。FAVAE 可解耦多个动态因子。由于它不需要建模先验，因此能够解耦动态因子“之间”的表示。我们进行了实验以表明 FAVAE 可提取解耦的动态因子。
引用
@article{arxiv.1902.08341,
title = {FAVAE: Sequence Disentanglement using Information Bottleneck Principle},
author = {Masanori Yamada and Heecheol Kim and Kosuke Miyoshi and Hiroshi Yamakawa},
journal= {arXiv preprint arXiv:1902.08341},
year = {2019}
}