TVAE：基于三元组与度量学习的变分自编码器
机器学习
2023-02-09 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
深度度量学习已被证明在通过学习度量嵌入所获得的语义表示与编码可用于度量数据相似性的信息方面高度有效。同时，变分自编码器(VAE)被广泛用于近似推断，并被证明对有向概率模型具有良好性能。然而，对于传统 VAE，数据标签或特征信息难以处理。类似地，传统表示学习方法未能表示数据的许多显著方面。在本项目中，我们提出一种新颖的集成框架，通过结合深度度量学习来学习 VAE 中的潜嵌入。这些特征通过优化 VAE 均值向量上的三元组损失与 VAE 标准证据下界(ELBO)联合得到。这一我们称为基于三元组的变分自编码器(TVAE)的方法，使我们能在潜嵌入中捕获更细粒度的信息。我们的模型在 MNIST 数据集上测试，取得了 95.60% 的高三元组准确率，而传统 VAE (Kingma & Welling, 2013) 的三元组准确率为 75.08%。
引用
@article{arxiv.1802.04403,
title = {TVAE: Triplet-Based Variational Autoencoder using Metric Learning},
author = {Haque Ishfaq and Assaf Hoogi and Daniel Rubin},
journal= {arXiv preprint arXiv:1802.04403},
year = {2023}
}
备注
Old technical note