生成神经网络中的对称性与控制
计算机视觉与模式识别
2016-04-12 v3 机器学习
摘要
我们研究在真实数据集上训练后能够控制并修改观测结果的生成网络。为了放大物体，一些空间、颜色及其他属性由专用注意力网络中的分类器学习得到。用场论术语来说，这些学习到的对称性统计量构成了数据集的规范群。将它们植入自分类器-编码器（ACE）的生成层，似乎是实现以下目标的最直接途径：i) 从给定类别生成具有任意属性的新观测；ii) 在剔除多余属性后，描述编码数据“本质”的低维流形；iii) 有机地控制，即在给定观测中移动或修改物体。我们展示了在扭曲的 MNIST 和 CIFAR10 数据集上，增加了空间和颜色对称性统计量的浅层 ACE 其生成质量得到显著提升。
引用
@article{arxiv.1511.02841,
title = {Symmetries and control in generative neural nets},
author = {Galin Georgiev},
journal= {arXiv preprint arXiv:1511.02841},
year = {2016}
}