解耦表示相关 AI 资讯 · AITOP · AI热报

8月26日

10:26

10:26

官方账号arXiv cs.LG@Sohini Gupta, Bahareh Tolooshams

许多解耦方法使用欧几里得乘积坐标表示生成因素，尽管潜在的因素空间可能缠绕、折叠或具有位置相关的几何形状。我们引入了因素空间结构，结合因素域、生成器诱导的识别和位置相关的尺度，以区分具有不同因素几何形状的拓扑等价空间。我们表明，统计上独立的因素不必在几何上可分离：色调和尺度产生的影响以不同的速率增长，导致无法通过固定缩放消除的各向异性。我们提出了因素空间拓扑图（FactoMap），它通过因素空间晶格学习可解释的原型。拓扑学习将晶格的周期性、折叠和非均匀范围转移到表示中。实验表明，匹配这种结构可以保持因素连续性并实现潜在因素的解耦。

论文解耦表示因素空间结构 FactoMap

推荐理由：这篇论文提出了一个名为FactoMap的新方法，它通过引入因素空间结构来改进解耦表示，这对于需要从数据中提取独立因素的应用来说是一个重要的进展。与传统的解耦方法相比，FactoMap能够更好地处理因素空间中的复杂几何形状，从而提高解耦的准确性。

7月7日

11:10

11:10

官方账号arXiv cs.AI@Rajat Rasal, Avinash Kori, Tian Xia, Ben Glocker

论文研究了扩散自编码器在训练中优化轨迹的不同机制，发现模型会进入重构优先或解耦优先两个早期阶段。通过分析图像重建与表示质量之间的曲线，作者提出可以通过控制U-Net捷径路径和噪声级暴露来调节重构-解耦权衡。提出的SteeringDRL方法采用门控残差U-Net和噪声级课程训练，在多个解耦基准上提升了表示质量并降低了种子敏感性。该方法还扩展到目标中心学习中的空间解耦，在合成和真实数据集上改善了分割质量。

论文 SteeringDRL 扩散自编码器解耦表示

推荐理由：想提升扩散模型的表示质量吗？这篇论文研究了训练中的重构与解耦权衡，还教你用门控残差U-Net和噪声课程来引导优化，效果不错。