用于非线性组因子分析的可解释 VAE
机器学习
2018-02-21 v1 机器学习
摘要
深度生成模型近来在生成主观逼真的复杂数据样本方面取得了令人鼓舞的结果。然而，使这些生成模型可解释的研究却甚少。在从科学应用到金融的许多场景中，观测变量具有自然的分组。理解这些组之间的交互系统通常颇受关注，而潜因子模型（LFMs）是一种有吸引力的方法。然而，传统 LFMs 受限于假设线性相关结构。我们提出一种面向分组数据的输出可解释 VAE（oi-VAE），其对复杂的非线性潜变量到观测变量关系进行建模。我们将由组特定生成器构成的结构化 VAE 与诱导稀疏性的先验相结合。我们证明 oi-VAE 在动作捕捉与 MEG 数据分析中产生了有意义的可解释性概念。我们进一步表明，在这些情况下，oi-VAE 固有的正则化实际上可带来改进的泛化能力与学到的生成过程。
引用
@article{arxiv.1802.06765,
title = {Interpretable VAEs for nonlinear group factor analysis},
author = {Samuel Ainsworth and Nicholas Foti and Adrian KC Lee and Emily Fox},
journal= {arXiv preprint arXiv:1802.06765},
year = {2018}
}