利用解耦潜空间自增强信息最大化改进 ClusterGAN
机器学习
2023-05-02 v2 计算机视觉与模式识别
摘要
自几年前提出以来，条件生成模型取得了显著成就。然而，它们通常需要使用大量标注信息。通过结合无监督条件生成与聚类推断网络，ClusterGAN 最近取得了令人印象深刻的聚类结果。由于忽略了数据的真实条件分布，聚类推断网络只能基于均匀先验的生成样本取得较差的聚类性能。然而，真实分布未必是均衡的。因此，ClusterGAN 无法生成所有模式，导致聚类推断网络性能次优。因此，学习一种试图以无监督方式匹配真实分布的先验至关重要。在本文中，我们提出自增强信息最大化改进 ClusterGAN（SIMI-ClusterGAN），以直接从数据中学习有区分性的先验。所提出的 SIMI-ClusterGAN 由四个深度神经网络组成：自增强先验网络、生成器、判别器和聚类推断网络。所提方法已在七个基准数据集上验证，并展现出优于最先进方法的性能。为展示 SIMI-ClusterGAN 在不平衡数据集上的优越性，我们讨论了 MNIST 数据集上的一类不平衡和三类不平衡两种不平衡情况。结果凸显了 SIMI-ClusterGAN 的优势。
引用
@article{arxiv.2107.12706,
title = {Improving ClusterGAN Using Self-Augmented Information Maximization of Disentangling Latent Spaces},
author = {Tanmoy Dam and Sreenatha G. Anavatti and Hussein A. Abbass},
journal= {arXiv preprint arXiv:2107.12706},
year = {2023}
}