Factorisation et Manipulation de l'Espace Latent par Projection de Sous-Espaces Matriciels

Nous abordons le problème de la désentrelacement de l'espace latent d'un autoencodeur afin de séparer les informations attributaires étiquetées des autres informations caractéristiques. Cela permet ensuite de modifier des attributs sélectionnés tout en préservant les autres informations. Notre méthode, la projection sur un sous-espace matriciel, est beaucoup plus simple que les approches précédentes de factorisation de l'espace latent, par exemple, elle n'exige pas l'utilisation de plusieurs discriminateurs ou une pondération soigneuse entre leurs fonctions de perte. De plus, notre nouveau modèle peut être appliqué aux autoencodeurs comme un module complémentaire et fonctionne dans divers domaines tels que les images ou le texte. Nous démontrons l'utilité de notre méthode pour la manipulation d'attributs dans des autoencodeurs formés sur différents domaines, en utilisant à la fois des évaluations humaines et des méthodes automatisées. La qualité de génération de notre nouveau modèle (par exemple, reconstruction, génération conditionnelle) est hautement compétitive par rapport à plusieurs bases solides.Note: - "Désentrelacement" is used here for "disentangling," which is a common term in machine learning when referring to separating mixed factors in a latent space.- "Projection sur un sous-espace matriciel" is the direct translation of "matrix subspace projection." If this term is not commonly used in French academic literature, it may be necessary to provide additional context or an explanation.- The phrase "module complémentaire" is used for "plugin" to maintain a formal tone.- The term "bases solides" is used for "strong baselines" to convey the idea of robust reference models.