基于解耦的变分学习库 Disentanglement-PyTorch
机器学习
2019-12-12 v1 机器学习
摘要
解耦表示的无监督学习是机器学习中的一个开放问题。Disentanglement-PyTorch库的开发旨在促进新变分算法的研究、实现与测试。在该模块化库中，神经体系结构、潜空间维度和训练算法完全解耦，从而允许跨变分方法开展独立且一致的实验。该库处理训练调度、日志记录以及重建与潜空间遍历的可视化。它还基于多种解耦度量对编码进行评估。迄今为止，该库包含了以下无监督算法的实现：VAE、Beta-VAE、Factor-VAE、DIP-I-VAE、DIP-II-VAE、Info-VAE和Beta-TCVAE，以及诸如CVAE和IFCVAE等条件方法。该库与NeurIPS 2019在AICrowd上举办的解耦挑战赛兼容，并在该挑战赛的第一和第二阶段均获得第3名。
引用
@article{arxiv.1912.05184,
title = {Variational Learning with Disentanglement-PyTorch},
author = {Amir H. Abdi and Purang Abolmaesumi and Sidney Fels},
journal= {arXiv preprint arXiv:1912.05184},
year = {2019}
}
备注
Disentanglement Challenge - 33rd Conference on Neural Information Processing Systems (NeurIPS) - NeurIPS 2019