NashAE：通过对抗协方差最小化解耦表示
机器学习
2022-09-23 v1 计算机视觉与模式识别
摘要
我们提出一种自监督方法，用于解耦高维数据中的变化因子，该方法不依赖于对底层变化轮廓的先验知识（例如，不对要提取的单个潜变量的数量或分布作假设）。在这一我们称之为 NashAE 的方法中，高维特征解耦是在标准自编码器（AE）的低维潜空间中通过促进每个编码元素与从所有其他编码元素恢复出的该元素信息之间的差异来实现的。通过将此构建为 AE 与一个回归网络集成之间的极小极大博弈，可高效促进解耦，其中每个回归网络在观测到所有其他元素的条件下来提供对某元素的估计。我们使用现有解耦度量将我们的方法与领先的解耦方法进行了定量比较。此外，我们表明 NashAE 在所学潜表示中提高了可靠性，并增强了捕捉显著数据特征的能力。
引用
@article{arxiv.2209.10677,
title = {NashAE: Disentangling Representations through Adversarial Covariance Minimization},
author = {Eric Yeats and Frank Liu and David Womble and Hai Li},
journal= {arXiv preprint arXiv:2209.10677},
year = {2022}
}
备注
Published as a conference paper in the European Conference on Computer Vision (ECCV) 2022