用于生成未见属性组合的多线性隐变量条件化
机器学习
2020-09-10 v1 机器学习
摘要
深度生成模型依赖其归纳偏置来促进泛化，尤其对于像图像这样的高维数据问题。然而，实证研究表明变分自编码器（VAE）和生成对抗网络（GAN）缺乏人类感知中自然出现的泛化能力。例如，人类在仅见过微笑的男性后就能想象一个微笑的女性。相反，标准条件变分自编码器（cVAE）无法生成未见过的属性组合。为此，我们通过引入一个捕获属性间乘性交互的多线性隐变量条件化框架来扩展 cVAE。我们实现了该模型的两个变体，并在 MNIST、Fashion-MNIST 和 CelebA 上展示了它们的效力。总之，我们设计了一个新颖的条件化框架，可与任何架构配合使用以合成未见属性组合。
引用
@article{arxiv.2009.04075,
title = {Multilinear Latent Conditioning for Generating Unseen Attribute Combinations},
author = {Markos Georgopoulos and Grigorios Chrysos and Maja Pantic and Yannis Panagakis},
journal= {arXiv preprint arXiv:2009.04075},
year = {2020}
}
备注
published at International Conference on Machine Learning 2020