提升条件变分自编码器的泛化能力
机器学习
2019-09-11 v2 机器学习
摘要
我们解决监督学习中的一对多映射问题,其中单一实例可能具有多个成本可能相等的不同的解。条件变分自编码器的框架描述了一类借助潜变量应对此类结构化预测任务的方法。我们提出激励信息丰富的潜表示,以提升条件变分自编码器的泛化能力。为此,我们通过将似然定义为仅关于潜变量的函数,来修改潜变量模型,并引入具表现力的多模态先验,使模型能够捕捉数据中语义有意义的特征。为验证我们的方法,我们在 Cornell Robot Grasping 数据集以及修改版的 MNIST 和 Fashion-MNIST 上训练模型,获得的结果显示出显著更高的泛化能力。
引用
@article{arxiv.1908.08750,
title = {Increasing the Generalisation Capacity of Conditional VAEs},
author = {Alexej Klushyn and Nutan Chen and Botond Cseke and Justin Bayer and Patrick van der Smagt},
journal= {arXiv preprint arXiv:1908.08750},
year = {2019}
}