用于可扩展联合分布匹配的多变量信息对抗集成

Ziliang Chen; Zhanfu Yang; Xiaoxi Wang; Xiaodan Liang; Xiaopeng Yan; Guanbin Li; Liang Lin

用于可扩展联合分布匹配的多变量信息对抗集成

机器学习 2019-07-09 v1 机器学习

作者: Ziliang Chen , Zhanfu Yang , Xiaoxi Wang , Xiaodan Liang , Xiaopeng Yan , Guanbin Li , Liang Lin

摘要

广泛的跨 $m$ 域生成研究可归结为用深度生成模型（DGMs）匹配联合分布。迄今的算法在成对域上表现出色，但当 $m$ 增大时，仍难以扩展自身以拟合联合分布。本文提出一种域可扩展的 DGM，即用于 $m$ 域联合分布匹配的 MMI-ALI。作为 ALI \cite{dumoulin2016adversarially} 的 $m$ 域集成模型，MMI-ALI 通过对每对域及其共享特征的联合变量最大化多变量互信息（MMI）进行对抗训练。负 MMI 被一系列可行损失上界约束，可证明这些损失能导致 $m$ 域联合分布的匹配。MMI-ALI 随 $m$ 增大线性扩展，从而在效能与可扩展性之间取得恰当平衡。我们在多种具挑战性的 $m$ 域场景中评估 MMI-ALI，并验证其优越性。

关键词

联合分布匹配深度生成模型多变量互信息对抗训练多域学习可扩展性

引用

@article{arxiv.1907.03426,
  title  = {Multivariate-Information Adversarial Ensemble for Scalable Joint Distribution Matching},
  author = {Ziliang Chen and Zhanfu Yang and Xiaoxi Wang and Xiaodan Liang and Xiaopeng Yan and Guanbin Li and Liang Lin},
  journal= {arXiv preprint arXiv:1907.03426},
  year   = {2019}
}

备注

ICML-19

用于可扩展联合分布匹配的多变量信息对抗集成

摘要

关键词

引用

备注

相关论文