PartitionVAE——一种人类可解释的VAE

VAE（变分自编码器）是显式学习输入图像空间分布而非假设关于分布无任何先验信息的自编码器。这使其能将相似样本在潜空间分布中彼此靠近地分类。VAE经典地假设潜空间服从正态分布，尽管许多分布先验也有效，并通过损失函数中的K-L散度项编码该假设。虽然VAE学习潜空间分布并自然使潜空间中各维度尽可能互不相交，它们并不将相似特征分组——表示层一个单元所表示的图像空间特征未必与相邻单元所表示的特征高度相关。这使得VAE难以解释，因为表示层的结构不易被人解析。我们旨在通过将该表示层划分为互不相交的单元集合来制造更具可解释性的VAE。将表示层划分为互不相交的互联单元集合，产生了一种先验：这一新VAE（我们称为分区VAE或PVAE）的输入空间特征按相关性分组——例如，若我们的图像空间是所有乒乓球比赛图像的空间（我们用此较复杂图像空间测试架构），则我们希望表示层中的各分区各自学到图像的某些大特征，如乒乓球台特征、球员特征与位置或球。我们还为PVAE增加了节省成本的手段：子分辨率。由于我们无法长时间使用GPU训练环境且Google Colab Pro需付费，我们尝试通过输出尺寸相对输入图像按常数因子缩小的图像来降低PVAE复杂度，从而迫使模型输出较小版本图像。随后我们通过邻近像素插值提升分辨率以计算损失并训练。我们在MNIST和Sports10上训练调优的PVAE以测试其有效性。