自然聚类下的鲁棒表征学习和解排
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
本研究提出了一种基于 VAE 的多视图聚类框架 (Multi-VAE),通过学习解缠视觉表示来实现高效的多视图聚类。实验表明,Multi-VAE 在获得解缠和可解释的视觉表示的同时,与现有方法相比,获得了更好的聚类性能。
Jun, 2021
我们提出了一种被称为 FactorVAE 的方法,它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示,并通过提供更好的解耦和重构质量之间的平衡得到改进。此外,我们还介绍了一个新的解耦评估度量,并阐明了常用的解耦评估度量存在的问题。
Feb, 2018
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
本文提出一种基于变分自编码器(Variational Autoencoder)的新方法来实现对自然语言处理(NLP)系统的解释,并将文本语言特征建模为离散变量以实现学习解缠编码表示,实验结果显示该方法在多个基准测试和一个文本风格迁移后处理应用中表现优异且优于基于连续和离散变量的基准模型。
Sep, 2021
本文提出了一种基于 PVAE 的多模态生成模型,可将共享因素和模态相关因素编码为不同的潜变量,用于生成符合不同语义和风格要求的条件数据,并利用发现的语义单元在两个音频 / 图像数据集上完成了定量和定性的评估。
May, 2018
提出了一个通过 spike-and-slab 受限玻尔兹曼机实现高阶交互来分离数据变异因素的新模型,与以往不同的是该模型不需要使用潜在因素的监督信息来训练,并在面部表情分类任务中展示了其效果。
Oct, 2012
本文提出了一种框架来无监督地学习清晰而可解释的连续和离散化的表示形式,通过增加变分自动编码机的连续潜在分布,并控制每个潜在单元中编码的信息量,展示了如何自动地从数据中发现连续和分类变化因素。实验结果显示,该框架在各种数据集上对连续和离散的生成因素进行了区分,并在离散生成因素突出时优于当前的 disentangling 方法。
Mar, 2018