分层对抗学习推断
机器学习
2018-02-06 v1 机器学习
摘要
我们提出一种具有简单马尔可夫结构及相应推断模型的新型分层生成模型。生成模型与推断模型均使用对抗学习范式进行训练。我们证明该分层结构支持渐进学习更抽象的表示,并提供具有不同保真度的语义上有意义的重建。此外,我们表明最小化生成网络与推断网络之间的 Jensen-Shanon 散度足以最小化重建误差。所得到的语义上有意义的分层潜结构发现在 CelebA 数据集上得以例证。在那里,我们展示我们的模型以无监督方式学到的特征优于最佳手工特征。此外,在 CelebA 的属性预测任务上,所提取特征与若干近期深度监督方法相比仍具竞争力。最后,我们利用模型的推断网络在 MNIST 数字分类任务的半监督变体上取得最先进的性能。
引用
@article{arxiv.1802.01071,
title = {Hierarchical Adversarially Learned Inference},
author = {Mohamed Ishmael Belghazi and Sai Rajeswar and Olivier Mastropietro and Negar Rostamzadeh and Jovana Mitrovic and Aaron Courville},
journal= {arXiv preprint arXiv:1802.01071},
year = {2018}
}
备注
18 pages, 7 figures