迈向可识别的无监督域翻译：一种多样化分布匹配方法

无监督域翻译（UDT）旨在寻找将样本从一个域（例如素描）转换到另一个域（例如照片）且不改变高层语义含义（也称为“内容”）的函数。翻译函数通常通过变换后的源域和目标域的概率分布匹配来寻求。CycleGAN可以说是这类工作中最具代表性的方法。然而，文献中注意到CycleGAN及其变体可能无法识别所需的翻译函数，并产生内容不对齐的翻译。这种局限性源于学习准则的解空间中存在多个翻译函数——称为“保测自同构”（MPA）。尽管意识到了这种可识别性问题，但解决方案仍然难以捉摸。本研究深入探讨了核心的可识别性问题，并引入了一种MPA消除理论。我们的分析表明，如果学习函数匹配了多对多样的跨域条件分布，则MPA不太可能存在。我们的理论导致了一种UDT学习器，它在辅助变量诱导的域子集上进行分布匹配——而不是像经典方法那样在整个数据域上进行。据我们所知，所提出的框架是第一个在合理的UDT设置下严格建立翻译可识别性的框架。实验证实了我们的理论主张。