流分解表示学习
本文提出了一种结合因果结构信息的新型流模型 —— 因果流,设计了 CF-VAE 模型,通过利用因果流增强 VAE 编码器的解缠结能力。进一步引入地面真实因素的监督,证明了该模型的解纠缠可识别性。在合成和真实数据集上的实验结果表明,CF-VAE 可以实现因果解纠缠,并进行干预实验。此外,CF-VAE 在下游任务上表现出优异的性能,并有潜力学习因果因素之间的结构。
Apr, 2023
本文提出了一种新的框架来学习具有所需结构属性的多元数据的可控和通用表示,该模型利用图模型中的掩码变量表示归纳偏置,并扩展多元信息瓶颈理论来强制执行结构依赖性,从而提供原则性方法来学习一组语义上有意义的潜在因素,其反映了各种类型的期望结构,如捕获相关性或编码不变性。同时还提供了自动估计数据中依赖关系的灵活性,该框架统一了许多现有的生成模型,并可应用于各种任务,包括多模态数据建模、算法公平性和不变风险最小化。
Jul, 2020
通过在模块化学习的机器人框架中引入因式化流图作为中级表示的新概念,可以极大地促进感知和控制模块之间的关联,并进一步发展一个可配置的框架来分析因式化光流图对深度强化学习智能体性能的影响,在各种场景下验证并根据实验结果提出分析和结论。
Mar, 2022
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
介绍了一种新颖的生成模型,用于表示可能大量的离散随机变量的联合概率分布,该方法使用统计子流形上的随机分配流量进行测量传输,从而能够有效地从目标分布中进行采样并评估不可见数据点的可能性。
Jun, 2024
该研究的主要目的是通过使用学习的动态潜在地形建模潜在空间,以及受物理学和神经科学启发的偏微分方程,实现语义上有意义的潜在遍历,同时在模型训练中通过作为正则化项的方式,提高模型推断的准确性和结构化表示的学习。
Apr, 2023
本文提出了一种不依赖于手动标注或数据领域知识的学习图像表示的方法,其实现了图像属性解离因素,其中每个因素代表一个一致的图像属性,这种解离后的特征可以应用于多种领域,例如将特定属性从一个图像转移到另一个图像、基于一个或多个属性进行分类或检索。这种方法中的自动编码器架构包括两个新的训练目标:不变性目标和分类目标,以确保每个特征块的编码对于其他属性是固定不变的,同时对于一致可辨的属性,避免出现完全被忽略的特征映射。实验验证了该方法在 MNIST、Sprites 和 CelebA 数据集上的有效性。
Nov, 2017
本综述介绍了各种鼓励学习算法发现阶乘表示的约束条件,并将其分为无监督和监督归纳偏置两类。同时,本文呈现了一种基于监督和无监督归纳偏置优势比较的框架,比较了各种与学习阶乘表示问题相关的模型。
Dec, 2016