Schlussfolgerungen auf der Grundlage des unüberwachten Lernens entkoppelter Darstellungen

Die Kombination von Generativen Wettbewerbsnetzen (GANs) mit Encodern, die lernen, Datenpunkte zu kodieren, hat vielversprechende Ergebnisse bei der unüberwachten Lernung von Datenrepräsentationen gezeigt. Wir schlagen ein Framework vor, das einen Encoder und einen Generator kombiniert, um entkoppelte Repräsentationen zu erlernen, die bedeutende Informationen über die Datenverteilung kodieren, ohne dass etikettierte Daten erforderlich sind. Während aktuelle Ansätze sich hauptsächlich auf die generativen Aspekte von GANs konzentrieren, kann unser Framework verwendet werden, um Inferenz sowohl auf realen als auch auf generierten Datenpunkten durchzuführen. Experimente mit mehreren Datensätzen zeigen, dass der Encoder interpretierbare, entkoppelte Repräsentationen lernt, die beschreibende Eigenschaften kodieren und zur Erzeugung von Bildern mit spezifischen Merkmalen verwendet werden können.