| 講演抄録／キーワード |
| 講演名 |
2022-02-21 16:45
Variational Autoencoder に基づく深層生成モデルを用いた潜在表現の Disentanglement に関する検討 ～ Disentanglement 評価指標を含む正則化損失の導入 ～
○中川 真・藤後 廉・小川貴弘・長谷山美紀（北大） |
| 抄録 |
（和） |
本文では，Variational Autoencoder (VAE) に基づく深層生成モデルによる潜在表現のdisentanglementに関する検討を行う． Disentanglementは，データの単一の変動要因に対し単一の成分が対応する潜在表現の獲得を目的とする． 従来研究では，潜在変数に独立性の制約を課す深層生成モデルによりdisentanglementを行う手法が種々提案されてきたが，独立性のみによっては潜在変数と変動要因の対応が必ずしも獲得されるとは限らないという問題が存在する． そこで本文では，種々提案されているdisentanglementに対する評価指標のうち微分可能なものを正則化損失として導入した深層生成モデルによってdisentanglementを行う手法を提案する． 提案手法では，評価指標を直接勾配降下法による最適化の目的関数の一部とすることでdisentanglementを行う． また，予備実験により種々の評価指標の性質を検証したのち，実験により提案手法の有効性を検証する． |
| （英） |
In this paper, we study disentangled representation learning using a deep generative model based on Variational Autoencoder (VAE). The goal of disentanglement is to obtain a latent representation in which single latent variables correspond to single factors of variation. Although several unsupervised methods have been proposed for disentanglement by imposing the element-wise independence of latent variables, it has been shown that independence does not guarantee disentanglement. Hence, we propose a novel disentanglement method using a VAE-based model whose loss function includes a regularization loss based on a differentiable disentanglement metric. Our method disentangles the representation by applying gradient descent directly to a disentanglement metric function. We first validate the behavior of the various disentanglement metrics and then show the effectiveness of our method. |
| キーワード |
（和） |
深層学習 / 表現学習 / 深層生成モデル / disentanglement / variational autoencoder / / / |
| （英） |
deep learning / representation learning / deep generative model / disentanglement / variational autoencoder / / / |
| 文献情報 |
映情学技報, vol. 46, no. 6, ME2022-44, pp. 97-102, 2022年2月. |
| 資料番号 |
ME2022-44 |
| 発行日 |
2022-02-14 (MMS, ME, AIT) |
| ISSN |
Print edition: ISSN 1342-6893 Online edition: ISSN 2424-1970 |
| PDFダウンロード |
|