简介
Disentangling factors of variation in deep representation using adversarial training.NIPS-2016,Cited-226.
Open source,official,torch,star-22.
关键字
特征解耦,VAE,GAN,深度学习,机器学习
正文
1. 任务和思路
从样本中解耦出任务相关的特征和任务无关的特征,假设为手写数字分类任务,那就是从样本中解耦出数字类别特征和手写风格特征。
思路上的关键点是分解后的特征怎么满足上面的要求,如果说语义特征直接使用分类器,那么特征是可以判别了,但是没法保证在这个分类器的判别期间不丢失有效的信息。怎么判断不失去有效信息,那就是提取出来的特征还能够重构回原来的样本,但是仅仅重构就成了自编码器了,还是要有个机制来保证解耦的效果。这样考虑,如果解耦的特征有效,那语义特征
固定的情况下,不同的风格特征
所合成的样本都具有相同的语义,这是对生成的样本进行判别的问题,恰好GAN解决的就是生成-判别的问题,所以使用GAN模型来解决问题。至于解耦过程,就是编码的过程,可以使用VAE来完成。所以这类似VAE-GAN模型。
2. 模型和算法
模型如下,使用同标签的不同样本提取的语义
,在同一个
下应该重构出同样的样本;同一个样本提取的
,在标准高斯中(由于是VAE)采样的
合成的样本具有相同的语义,这个使用GAN的判别器来判别。模型(原文Fig1)如下:
算法(AL1)如下:
3. 实验
实验数据集:Sprite,MNIST,NORB,Extended-YaleB。MNIST上效果如图(原文Fig2):
参考资料
[1] Mathieu, Michael F., et al. "Disentangling factors of variation in deep representation using adversarial training." Advances in neural information processing systems. 2016.