通过潜在规范化进行表示学习
机器学习
2020-02-28 v1 机器学习
摘要
我们旨在利用有限的新监督，在大型标注数据源上学习一种表示，并泛化到目标域。许多先前解决该问题的方法聚焦于学习“解耦”表示，使得当各个因子在新域中变化时，仅需更新表示的一部分。在本工作中，我们寻求解耦表示的泛化能力，但放宽对显式潜在解耦的要求，而是通过要求各变化因子可由学习的线性变换操控来鼓励其线性。我们称这些变换为潜在规范化器（latent canonicalizers），因为它们旨在将某因子的值修改为预先确定（但任意）的规范值（例如，将图像前景重新着色为黑色）。假设源域可获取指定图像内变化因子的元标签，我们通过实验证明，与若干监督基线相比，我们的方法减少了泛化到相似目标域所需的观测数量。
引用
@article{arxiv.2002.11829,
title = {Representation Learning Through Latent Canonicalizations},
author = {Or Litany and Ari Morcos and Srinath Sridhar and Leonidas Guibas and Judy Hoffman},
journal= {arXiv preprint arXiv:2002.11829},
year = {2020}
}