Morpho-MNIST：表示学习的定量评估与诊断
机器学习
2019-10-25 v3 机器学习
摘要
揭示数据中的潜在结构是活跃的研究领域，已引入变分自编码器和对抗网络等令人振奋的技术，且对于推动机器学习走向无监督知识发现至关重要。然而，一个主要挑战是缺乏用于客观、定量评估所学表示的合适基准。为解决此问题，我们提出 Morpho-MNIST，一个旨在回答“我的模型在多大程度上学会了表示数据中的特定变异因素？”的框架。我们通过添加形态计量分析来扩展流行的 MNIST 数据集，从而实现训练模型的定量比较、潜变量作用的识别以及样本多样性的刻画。我们进一步提出一组可量化扰动，以评估无监督与有监督方法在异常检测和域适应等挑战性任务上的性能。数据和代码见 https://github.com/dccastro/Morpho-MNIST。
引用
@article{arxiv.1809.10780,
title = {Morpho-MNIST: Quantitative Assessment and Diagnostics for Representation Learning},
author = {Daniel C. Castro and Jeremy Tan and Bernhard Kainz and Ender Konukoglu and Ben Glocker},
journal= {arXiv preprint arXiv:1809.10780},
year = {2019}
}
备注
The published version of this article can be found at http://jmlr.org/papers/v20/19-033.html