SW-VAE：通过潜因子交换的弱监督解耦表示学习
机器学习
2022-09-23 v1 人工智能
摘要
表示解耦是表示学习的重要目标，有益于各种下游任务。为实现该目标，已开发许多无监督学习表示解耦方法。然而，不使用任何监督信号的训练过程已被证明不足以用于解耦表示学习。因此，我们提出一种新颖的弱监督训练方法，命名为SW-VAE，它利用数据集的生成因子将输入观测对作为监督信号。此外，我们引入在训练中逐步增加学习难度的策略以平滑训练过程。在多个数据集上所示，我们的模型在表示解耦任务上比前沿(SOTA)方法有明显改进。
引用
@article{arxiv.2209.10623,
title = {SW-VAE: Weakly Supervised Learn Disentangled Representation Via Latent Factor Swapping},
author = {Jiageng Zhu and Hanchen Xie and Wael Abd-Almageed},
journal= {arXiv preprint arXiv:2209.10623},
year = {2022}
}