利用终身VAEGAN跨多数据域学习潜在表示
计算机视觉与模式识别
2020-07-21 v1 机器学习
摘要
以顺序方式在多个数据库上训练的深度学习模型会出现灾难性遗忘问题。近来，生成回放机制（GRM）被提出用于复现先前学到的知识，旨在减轻遗忘。然而，此类方法缺乏合适的推断模型，因此无法提供数据的潜在表示。本文提出一种新颖的终身学习方案，即终身VAEGAN（L-VAEGAN），它不仅引入了强大的生成回放网络，还学习了有意义的潜在表示，有益于表示学习。L-VAEGAN能够自动将不同数据域相关的信息嵌入潜在空间中的若干簇，同时跨不同数据域捕捉语义上有意义的共享潜在变量。所提模型支持许多传统生成回放方法无法完成的下游任务，包括跨不同数据域的插值与推断。
引用
@article{arxiv.2007.10221,
title = {Learning latent representations across multiple data domains using Lifelong VAEGAN},
author = {Fei Ye and Adrian G. Bors},
journal= {arXiv preprint arXiv:2007.10221},
year = {2020}
}
备注
Accepted as a conference paper at ECCV 2020