通过密度地标检测离散化潜在坐标系统的可辨识性
本文提出一个基于变分推理的方法,从大量未标记的观察中推断分离的潜在因素,通过对所观察数据的近似后验期望引入正则化项,从而鼓励分离;同时,提出了一种新的分离度量,与解码器输出中观察到的定性分离更加一致,经实验证明,在分离度和数据似然(重建质量)方面存在显著的改进。
Nov, 2017
本研究提出了一种两级分层目标函数来控制变量块和块内个体变量之间的相对统计独立程度,以通过非监督学习从高维数据中学习无监督表示,实验结果显示该目标函数可以解开离散变量,并提高其他变量的解开程度和泛化能力。
Apr, 2018
本文提出了一种无监督的方法来将三维点云的变分自编码器的潜空间进行划分,结果展现出直观可解释的行为,在姿态转换和姿态感知形状检索等任务上表现出色,为人工智能中 3D 形状表示问题提供重要思路。
Aug, 2019
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
提出了一种分析多元表示如何解开基础生成因素的框架,通过部分信息分解方法分析多元表示中的信息共享并提出了新的分离度量,实验发现分离度量对纠缠反应正确,发现分离度量相似的自编码器模型在纠缠方面有不同的特征,需要采用不同的策略来获得分离表示。
Aug, 2021
本文提出了一种使用深度神经网络在无监督条件下发现和学习物体类别中的标志的新方法,从而表征它们的结构。我们还展示了这种学习出的标志建立了不同对象实例之间的有意义的对应关系,并可以与高精度回归手动注释的标志。
May, 2017
本研究基于 VAE 框架,定量定性地评估了生成的潜在空间在向量操作和语义解缠方面的几何特性,实证结果表明潜在空间中的角色内容被解缠,这为通过操纵向量在潜在空间上的遍历来控制解释生成提供了机会。
Oct, 2022