用于解耦学习的引导变分自编码器
计算机视觉与模式识别
2020-04-06 v1 机器学习
摘要
我们提出一种算法——引导变分自编码器（Guided-VAE），能够通过潜在表征解耦学习来学习可控生成模型。该学习目标通过向VAE中的潜在编码/嵌入提供信号而实现，且不改变其主干架构，从而保留了VAE的理想特性。我们在Guided-VAE中设计了无监督策略和 supervised 策略，并观察到相较原始VAE在建模和控制能力上的增强。在无监督策略中，我们通过引入一个学习潜在几何变换和主成分的轻量解码器来引导VAE学习；在有监督策略中，我们使用对抗性激发与抑制机制来促进潜在变量的解耦。Guided-VAE在通用表征学习任务以及解耦学习中具有透明和简洁的优势。在多项表征学习实验中，观察到合成/采样质量提升、分类解耦改善，以及元学习中分类错误减少。
引用
@article{arxiv.2004.01255,
title = {Guided Variational Autoencoder for Disentanglement Learning},
author = {Zheng Ding and Yifan Xu and Weijian Xu and Gaurav Parmar and Yang Yang and Max Welling and Zhuowen Tu},
journal= {arXiv preprint arXiv:2004.01255},
year = {2020}
}
备注
Accepted to CVPR 2020