超先验诱导的潜表示无监督解耦
机器学习
2019-01-08 v3 人工智能
神经与进化计算
机器学习
摘要
我们研究通过深度生成模型学习的潜表示的无监督解耦问题。与当前在证据下界（ELBO）上操作的方法不同，我们认为 VAE 潜空间中的统计独立性可以以一种有原则的分层贝叶斯方式强制实现。为此，我们用作用于潜码协方差矩阵的逆 Wishart（IW）先验来增强标准 VAE。通过调节 IW 参数，我们能够鼓励（或抑制）所学潜维度的独立性。在一系列数据集（2DShapes、3DChairs、3DFaces 和 CelebA）上的大量实验结果表明，我们的方法优于 -VAE 且与最先进的 FactorVAE 具有竞争力。我们的方法在一个引入变异因子间相关性的新数据集（CorrelatedEllipses）上实现了显著更好的解耦与重构。
引用
@article{arxiv.1809.04497,
title = {Hyperprior Induced Unsupervised Disentanglement of Latent Representations},
author = {Abdul Fatir Ansari and Harold Soh},
journal= {arXiv preprint arXiv:1809.04497},
year = {2019}
}
备注
AAAI-2019