线性对称解耦的量化与学习
机器学习
2022-06-29 v4
摘要
线性对称解耦（LSBD）的定义形式化了线性解耦表征的概念，但目前尚无量化 LSBD 的度量。此类度量对于评估 LSBD 方法并与先前对解耦的理解进行比较至关重要。我们提出 ，一种数学上严谨的量化 LSBD 的度量，并给出针对 群的实用实现。此外，由该度量我们推导出 LSBD-VAE，一种学习 LSBD 表征的半监督方法。我们展示了度量的效用：表明（1）常见的基于 VAE 的解耦方法不学习 LSBD 表征，（2）LSBD-VAE 及其他近期方法可学习 LSBD 表征，仅需要对变换的有限监督，且（3）已有解耦度量表达的多种期望性质亦由 LSBD 表征实现。
引用
@article{arxiv.2011.06070,
title = {Quantifying and Learning Linear Symmetry-Based Disentanglement},
author = {Loek Tonnaer and Luis A. Pérez Rey and Vlado Menkovski and Mike Holenderski and Jacobus W. Portegies},
journal= {arXiv preprint arXiv:2011.06070},
year = {2022}
}
备注
The Thirty-ninth International Conference on Machine Learning (ICML 2022)