用于域翻译的朗之万冷却
机器学习
2020-09-01 v1 机器学习
摘要
域翻译是寻找两个域之间对应关系的任务。若干深度神经网络(DNN)模型，例如CycleGAN和跨语言语言模型，已在无监督设定下于此任务上取得显著成功——域间的映射由两域各自独立的训练数据集合学习(无需配对样本)。然而，这些方法在相当比例的测试样本上通常表现不佳。本文中，我们假设许多此类失败样本位于数据分布的边缘——相对低密度区域——DNN在该处训练不充分，并提议执行朗之万动力学将此类边缘样本推向高密度区域。我们从定性与定量上证明，我们称为朗之万冷却(L-Cool)的策略增强了图像翻译与语言翻译任务中的最先进方法。
引用
@article{arxiv.2008.13723,
title = {Langevin Cooling for Domain Translation},
author = {Vignesh Srinivasan and Klaus-Robert Müller and Wojciech Samek and Shinichi Nakajima},
journal= {arXiv preprint arXiv:2008.13723},
year = {2020}
}