Oct, 2019

为推荐学习分离表示

PDF
TL;DR研究复杂的推荐系统中的用户行为数据所涉及到的潜在因素，提出了基于 VAE 的 “MACRo-mIcro Disentangled Variational Auto-Encoder” 的方法，该方法通过对高级概念和低级因素的分离，可以实现更好的推荐系统性能和更好的用户体验。
recommender systemsuser behavior datalatent factorsdisentangled representationsmacro-micro disentangled variational auto-encoder
发现论文，激发创造
  • 用于推荐系统中偏好理解的因果分离变分自编码器

    本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

    Apr, 2023

  • 学习解缠离散表示

    通过将标准的高斯变分自编码器（VAE）替换为量身定制的分类变分自编码器，我们探究了离散潜变量空间与解耦表示之间的关系。我们展示了分类分布的基础网格结构可以减轻与多变量高斯分布相关的旋转不变性问题，并作为解耦表示的高效先验。我们提供了分析和经验证据表明，离散 VAE 在学习解耦表示方面的优势。此外，我们引入了第一个偏向于解耦表示的无监督模型选择策略。

    Jul, 2023

  • 引导式变分自编码器用于分离式学习

    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

  • 多层变分自编码器：从分组观察中学习解耦表示

    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

  • 半监督深度生成模型学习分离表示

    该研究提出了一种使用图形模型和深度神经网络架构的变分自编码器，能够学习到不同的表示形式，进一步实现半监督学习，其生成的能力和区分能力也得到了充分验证。

    Jun, 2017

  • 逐步学习和分离层次表示

    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

  • 基于划分的解缠：一种用于多模态感官数据的表示学习框架

    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

  • 基于参考变分自编码器学习分离表示

    该研究文章提出了一种基于参照的去混淆学习方法，并使用基于变分自编码器的深度生成模型成功学习到了无标注图像数据中的离散化部分解耦的表征。

    Jan, 2019

  • 相关因素 VAE：学习和识别解缠因素

    我们提出了一种新颖的基于 VAE 的深度自编码器模型，可以完全无监督地学习分解的潜在表征，具有识别所有有意义的变异源及其基数的能力，该模型通过引入所谓的关联指标变量并联合 VAE 参数进行自动学习，有效地将总相关损失集中到相关因素上，我们的模型在许多具有挑战性的基准数据集上胜过了现有方法。

    Feb, 2019

  • 因式分解解开纠缠

    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