Jigsaw-VAE：面向变分自编码器中特征平衡
机器学习
2020-05-13 v1 计算机视觉与模式识别
机器学习
摘要
VAE 学习到的潜变量作为一种无监督提取特征的方式受到了相当关注，这些特征可用于下游任务。关于在一个环境中学习的特征是否能跨不同环境泛化的问题正引起越来越多的兴趣。我们在此证明，VAE 潜变量常常以牺牲其他变异因素为代价聚焦于某些变异因素——在这种情况中我们称特征为“不平衡”。当潜变量被用于特征存在发生变化的环境时，特征不平衡会导致较差的泛化能力。类似地，以不平衡特征训练的潜变量会诱导 VAE 生成多样性较低（即偏向主导特征）的样本。为此，我们提出了一种用于 VAE 的正则化方案，结果表明其显著解决了特征不平衡问题。我们还引入了一种简单度量来衡量生成图像中特征的平衡程度。
引用
@article{arxiv.2005.05496,
title = {Jigsaw-VAE: Towards Balancing Features in Variational Autoencoders},
author = {Saeid Asgari Taghanaki and Mohammad Havaei and Alex Lamb and Aditya Sanghi and Ara Danielyan and Tonya Custis},
journal= {arXiv preprint arXiv:2005.05496},
year = {2020}
}