使用无监督深度学习进行早期视觉概念学习
通过渐进式学习独立层级表示,本文提出了一种策略来提高 Deep Generative Models 如 Variational Auto-Encoder 的去纠缠性能,该模型从最抽象的表示开始学习,并逐渐增加网络结构以介绍不同层次的表示。在两个基准数据集上,本文通过三个去纠缠度量定量地证明了所提出模型相比于现有作品的改进,包括我们提出的补充相互信息差度量。我们提供了定性和定量的证据,论证了学习进程如何提高分解成层级表示的性能。本文通过同时利用层级表示学习和渐进式学习的优势,是我们目前发现的第一次尝试通过逐步增加 VAE 的能力来提高去纠缠性。
Feb, 2020
介绍了一种基于深度生成 VAE 模型和基于自我监督的深度度量学习 prototype 网络的方法,在无监督的情况下学习到可解释且区分的潜在因素表达式,实验结果表明了该方法在多个数据集上的表现优于现有方法。
May, 2023
设计一种算法 Guided-VAE,通过提供信号来实现 VAE 的潜在编码 / 嵌入,以学习可控的生成模型,该算法在表示学习,合成 / 采样改进,分类中取得了更好的效果
Apr, 2020
提出了 Multi-Level Variational Autoencoder 用于学习语义上相关并解耦的潜变量表示,将工作集中在组别和个体水平上的同时保持高效的测试时推理,以便对相关变量进行无监督控制。
May, 2017
本文提出了一种名为 SDVAE 的半监督变分自编码器,其将输入数据转化为可解释和不可解释的特征表示,使用分类信息来规范可解释的特征表示,并使用强化学习来增强特征学习能力,此框架适用于图像和文本数据。
Sep, 2017
本研究提出了一种基于组的变分自编码器模型,能够从多个数据集中无需标签的情况下,对数据进行解耦,并将其分为内容因素与变化因素,从而实现变换不变性和内容泛化能力。
Sep, 2018
提出了一种无监督学习的解决方案,称为无概念因果分解 (disentanglement),通过在可观测数据中直接学习概念结构,提出了 CCVGAE 和 CC-Meta-Graph 模型,并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。
Nov, 2023