TzK Flow——条件生成模型
机器学习
2019-02-21 v4 机器学习
摘要
我们提出TzK(发音为“task”),一种基于条件概率流的模型,它利用属性(例如风格、类别归属或其他侧信息)来学习目标观测流形周围的紧致条件先验。该模型通过近似最大似然(ML)训练,并提供对任意数据样本分布的高效近似(类似于GAN和基于流的ML),以及稳定训练(类似于VAE和ML),同时避免变分近似。TzK利用元数据促成瓶颈,类似于自编码器,从而产生低维表示。与自编码器不同,该瓶颈不限制模型表达能力,类似于基于流的ML。通过用学习到的先验样本替换缺失观测,支持监督、无监督和半监督学习。我们通过以最小预处理和弱监督在MNIST与Omniglot数据集上联合训练来展示TzK,其结果可与最先进水平(state-of-the-art)相媲美。
引用
@article{arxiv.1811.01837,
title = {TzK Flow - Conditional Generative Model},
author = {Micha Livne and David J. Fleet},
journal= {arXiv preprint arXiv:1811.01837},
year = {2019}
}
备注
5 pages, 4 figures, Accepted to Bayesian Deep Learning Workshop NIPS 2018, camera ready NOTE: This workshop paper has been replaced. Please refer to the following work: arXiv:1902.01893