VAE 中类相关与类无关因子的半监督解耦
机器学习
2021-02-02 v1 机器学习
摘要
近年来，扩展变分自编码器的框架以学习解耦表示受到了广泛关注。我们通过提出一种能够解耦数据中类相关与类无关变化因素的框架来解决该问题。我们的框架在其潜空间中使用注意力机制，以改进从数据中提取类相关因素的过程。我们还通过利用混合模型作为可学习先验分布，并将 Bhattacharyya 系数纳入目标函数以防止高度重叠的混合，来处理数据分布的多模态性。我们模型的编码器进一步以半监督方式、利用少量标注数据进行训练，以提升表示的可解释性。实验表明，我们的框架解耦了类相关与类无关的变化因素并学习了可解释特征。此外，我们在多个数据集上以定量与定性结果展示了模型的性能。
引用
@article{arxiv.2102.00892,
title = {Semi-Supervised Disentanglement of Class-Related and Class-Independent Factors in VAE},
author = {Sina Hajimiri and Aryo Lotfi and Mahdieh Soleymani Baghshah},
journal= {arXiv preprint arXiv:2102.00892},
year = {2021}
}
备注
16 pages, 10 figures