关于解耦表示在真实场景下的迁移
机器学习
2021-03-12 v2 人工智能
计算机视觉与模式识别
机器学习
摘要
学习能够解耦数据生成过程底层结构的有意义表示被认为是机器学习中的关键问题。尽管解耦表示已被发现对抽象推理和公平分类等多种任务有用，但其可扩展性和真实世界影响仍存疑。我们引入了一个包含100万张模拟图像和同一场景下1800多张标注真实图像的新高分辨率数据集。与先前工作不同，该新数据集表现出相关性、复杂的底层结构，并允许评估向未见过的模拟和真实世界设置的迁移，其中编码器i)保持在分布内或ii)处于分布外。我们提出新的架构以将解耦表示学习扩展到真实的高分辨率场景，并在该数据集上进行了大规模解耦表示的实证研究。我们观察到解耦是分布外（OOD）任务性能的良好预测指标。
引用
@article{arxiv.2010.14407,
title = {On the Transfer of Disentangled Representations in Realistic Settings},
author = {Andrea Dittadi and Frederik Träuble and Francesco Locatello and Manuel Wüthrich and Vaibhav Agrawal and Ole Winther and Stefan Bauer and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2010.14407},
year = {2021}
}
备注
Published at ICLR 2021