通过交替解耦学习数据的离散与连续因子
机器学习
2019-05-24 v1 机器学习
摘要
我们解决数据离散与连续解释性因子的无监督解耦问题。我们首先展示一种简单过程，可在-vae框架中通过级联信息流，最小化连续隐变量的总相关性，而无需使用判别器网络或进行重要性采样。此外，我们提出一种方法，通过采用独立的离散推断过程，避免将联合建模连续与离散因子的全部负担转嫁给变分编码器。这导致一个有趣的交替最小化问题，其在给定连续因子下寻找最可能的离散配置与基于所计算离散因子更新变分编码器之间切换。实验表明，所提方法能清晰解耦离散因子，并在解耦分数与推断网络分类分数上显著优于当前解耦方法。源代码见https://github.com/snu-mllab/DisentanglementICML19。
引用
@article{arxiv.1905.09432,
title = {Learning Discrete and Continuous Factors of Data via Alternating Disentanglement},
author = {Yeonwoo Jeong and Hyun Oh Song},
journal= {arXiv preprint arXiv:1905.09432},
year = {2019}
}
备注
Accepted and to appear at ICML 2019