深度生成模型中全局因子的无监督学习
机器学习
2020-12-17 v2 机器学习
摘要
我们提出一种基于非独立同分布变分自编码器的新型深度生成模型，以完全无监督的方式捕捉观测间的全局依赖。与近期深度生成模型中全局建模的半监督替代方案不同，我们的方法在局部或数据依赖空间结合混合模型与全局高斯潜变量，由此得到三点具体见解。首先，所诱导的潜全局空间在无证据下界中用户自定义正则化（如 -VAE 及其推广）的情况下捕捉可解释解耦表示。其次，我们表明该模型执行域对齐以发现不同数据库间的相关性并插值。最后，我们研究全局空间对具有非平凡底层结构的观测组（如共享属性的面部图像或定义的连续数字图像）进行判别的能力。
引用
@article{arxiv.2012.08234,
title = {Unsupervised Learning of Global Factors in Deep Generative Models},
author = {Ignacio Peis and Pablo M. Olmos and Antonio Artés-Rodríguez},
journal= {arXiv preprint arXiv:2012.08234},
year = {2020}
}