Inférence basée sur l'apprentissage non supervisé de représentations factorisées
La combinaison de réseaux adversariaux génératifs (GANs) avec des encodeurs capables d'apprendre à encoder des points de données a montré des résultats prometteurs dans l'apprentissage de représentations de données de manière non supervisée. Nous proposons un cadre qui combine un encodeur et un générateur pour apprendre des représentations disjointes qui codent des informations significatives sur la distribution des données sans nécessiter aucune étiquette. Bien que les approches actuelles se concentrent principalement sur les aspects génératifs des GANs, notre cadre peut être utilisé pour effectuer une inférence sur des points de données réels et générés. Des expériences menées sur plusieurs ensembles de données montrent que l'encodeur apprend des représentations interprétables et disjointes qui codent des propriétés descriptives et peuvent être utilisées pour échantillonner des images présentant des caractéristiques spécifiques.