InfoGAN：通过信息最大化生成对抗网络进行可解释表示学习
机器学习
2016-06-14 v1 机器学习
摘要
本文描述了 InfoGAN，一种生成对抗网络的信息论扩展，能够以完全无监督的方式学习解耦表示。InfoGAN 是一种生成对抗网络，它同时最大化一小部分潜变量与观测值之间的互信息。我们推导了可高效优化的互信息目标的下界，并表明我们的训练过程可以解释为 Wake-Sleep 算法的一种变体。具体而言，InfoGAN 在 MNIST 数据集上成功地将书写风格与数字形状解耦，在 3D 渲染图像中将姿态与光照解耦，并在 SVHN 数据集上将背景数字与中心数字解耦。它还在 CelebA 人脸数据集上发现了包括发型、是否戴眼镜和情绪在内的视觉概念。实验表明，InfoGAN 学习到的可解释表示与现有完全监督方法学习到的表示具有竞争力。
引用
@article{arxiv.1606.03657,
title = {InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets},
author = {Xi Chen and Yan Duan and Rein Houthooft and John Schulman and Ilya Sutskever and Pieter Abbeel},
journal= {arXiv preprint arXiv:1606.03657},
year = {2016}
}