基于深度 Copula 信息瓶颈的稀疏隐表示学习
机器学习
2018-04-20 v2 机器学习
摘要
深度隐变量模型是表示学习的强有力工具。本文中，我们采用深度信息瓶颈模型，指出其缺陷并提出了一种规避这些缺陷的模型。为此，我们应用 copula 变换，该变换通过恢复信息瓶颈方法的不变性性质，实现了隐空间特征的解耦。在此基础上，我们展示了该变换如何在新模型中转化为隐空间的稀疏性。我们在人工与真实数据上评估了我们的方法。
引用
@article{arxiv.1804.06216,
title = {Learning Sparse Latent Representations with the Deep Copula Information Bottleneck},
author = {Aleksander Wieczorek and Mario Wieser and Damian Murezzan and Volker Roth},
journal= {arXiv preprint arXiv:1804.06216},
year = {2018}
}
备注
Published as a conference paper at ICLR 2018. Aleksander Wieczorek and Mario Wieser contributed equally to this work