变分自编码器中解耦来源的隔离
机器学习
2019-04-24 v5 人工智能
机器学习
摘要
我们分解证据下界以表明存在一个度量潜变量之间总相关性的项。我们用此来启发我们的 -TCVAE（总相关变分自编码器），它是用于学习解耦表示的最先进 -VAE 目标的改进，在训练期间不需要额外的超参数。我们进一步提出一种称为互信息间隙（MIG）的、有原则的无分类器解耦度量。我们在受限和非受限设置下进行了广泛的定量和定性实验，并展示了当潜变量模型使用我们的框架训练时，总相关与解耦之间的强关系。
引用
@article{arxiv.1802.04942,
title = {Isolating Sources of Disentanglement in Variational Autoencoders},
author = {Ricky T. Q. Chen and Xuechen Li and Roger Grosse and David Duvenaud},
journal= {arXiv preprint arXiv:1802.04942},
year = {2019}
}