跨不可比空间学习生成模型
机器学习
2019-05-16 v2 机器学习
摘要
生成对抗网络在学习能够忠实完整恢复参考分布的分布方面已显示出显著成功。然而，在某些情况下，我们可能只想学习某些方面（例如，簇或流形结构），同时修改其他方面（例如，风格、方向或维度）。在这项工作中，我们提出了一种跨此类不可比空间学习生成模型的方法，并展示了如何将所学分布导向目标属性。我们模型的一个关键组件是 Gromov-Wasserstein 距离，这是一种关系性地而非绝对地比较分布的差异度量。虽然该框架在恒等复制分布时包含了当前的生成模型，但其固有的灵活性允许应用于流形学习、关系学习和跨域学习等任务。
引用
@article{arxiv.1905.05461,
title = {Learning Generative Models across Incomparable Spaces},
author = {Charlotte Bunne and David Alvarez-Melis and Andreas Krause and Stefanie Jegelka},
journal= {arXiv preprint arXiv:1905.05461},
year = {2019}
}
备注
International Conference on Machine Learning (ICML)