InfoVAEGAN：通过信息最大化与最大似然学习联合可解释表示
机器学习
2021-07-13 v1 人工智能
计算机视觉与模式识别
摘要
学习解耦且可解释的表示是达成流形上全面数据表示的重要一步。本文提出一种新颖的表示学习算法，它将变分自编码器（VAE）的推断能力与生成对抗网络（GAN）的泛化能力相结合。所提出的模型称为 InfoVAEGAN，由三个网络组成：编码器、生成器和判别器。InfoVAEGAN 旨在以无监督方式联合学习离散与连续可解释表示，通过对从生成器分布中采样的变量使用两个不同的无数据对数似然函数来实现。我们提出一种两阶段算法，将推断网络与生成器训练分开优化。此外，我们通过最大化已有潜变量与经由生成和推断过程创建的那些变量之间的互信息，来强化可解释表示的学习。
引用
@article{arxiv.2107.04705,
title = {InfoVAEGAN : learning joint interpretable representations by information maximization and maximum likelihood},
author = {Fei Ye and Adrian G. Bors},
journal= {arXiv preprint arXiv:2107.04705},
year = {2021}
}
备注
Accepted at International Conference on Image Processing (ICIP 2021)