用于离散表示学习的监督式编码
计算机视觉与模式识别
2020-06-11 v1 机器学习
机器学习
摘要
经典的监督分类任务寻找一个非线性映射，将每个编码特征直接映射到标签上的概率质量。这种学习框架通常缺乏同一类编码特征往往相似的直观性，因此对所学习特征的可解释性较差。本文提出一种名为监督式编码量化器（SEQ）的新型监督学习模型。SEQ 应用一个量化器对编码特征进行聚类与分类。我们发现该量化器提供了一个可解释的图，其中图中的每个簇代表一类具有特定风格的数据样本。我们还训练了一个解码器，能够解码来自相似及不同簇的编码特征的凸组合，并为子类之间的风格迁移提供指导。
引用
@article{arxiv.1910.11067,
title = {Supervised Encoding for Discrete Representation Learning},
author = {Cat P. Le and Yi Zhou and Jie Ding and Vahid Tarokh},
journal= {arXiv preprint arXiv:1910.11067},
year = {2020}
}