基于独立向量变分自编码器的半监督解耦
机器学习
2020-03-17 v1 机器学习
摘要
我们旨在变分自编码器中将数据生成因子分离为两个潜在向量。一个向量捕获与目标分类任务相关的类别因子，而另一个向量捕获与剩余信息相关的风格因子。为学习离散类别特征，我们引入少量标注数据进行监督，这能简单而有效地减少现有无监督方法中所需的超参数调优工作。此外，我们引入一个学习目标以鼓励向量间的统计独立性。我们证明：(i) 该向量独立性项存在于对具有多个潜在向量的证据下界进行分解所得的结果中；(ii) 鼓励此种独立性并同时降低向量内的总相关性可提升解耦性能。在多个图像数据集上的实验表明，通过我们的方法实现的解耦能够改善分类性能与生成可控性。
引用
@article{arxiv.2003.06581,
title = {Semi-supervised Disentanglement with Independent Vector Variational Autoencoders},
author = {Bo-Kyeong Kim and Sungjin Park and Geonmin Kim and Soo-Young Lee},
journal= {arXiv preprint arXiv:2003.06581},
year = {2020}
}
备注
24 pages: 10 p for main paper (8 figures) and 14 p for supplementary material (12 figures). A shortened version of this paper is currently under review by a conference