VALSE 论文速览 第03期：可解释解耦表征中的位置与内容假设

论文题目：可解释解耦表征中的位置与内容假设

作者列表：朱鑫祺 (悉尼大学)，徐畅 (悉尼大学)，陶大程 (悉尼大学)

B站观看网址：

https://www.bilibili.com/video/BV1jh411z7i5/

论文摘要：

捕捉可解释的变化模式是解耦学习的一个目标。不同于独立性假设，利用可解释性来促进解耦的方法并未在无监督的设定下被广泛发掘。在本篇论文中，我们从两个角度来验证解耦学习中的可解释性假设：位置上的可解释性和内容上的可解释性。一个隐编码可以较容易地被解释如果它能一致地影响一个生成图片中某个子区域的内容。我们因此提出用一个空间掩膜来局域化隐编码的某维对图片的影响。另一方面，可解释性一般来自于数据中简单和基础的变化。我们因此对隐编码的某一维施加一个扰动，利用强化对此维扰动的易识别性来促使实现延轴简单变化的编码。我们还提出了一个通过延隐空间轴累积感知距离的方式来筛选无监督解耦模型的方法。我们展示在多个数据集上，我们的模型可以无监督地学到高质量的解耦表征。这些结果表示，建模可解释性假设是一个达成无监督解耦的有效方法。本文入选了CVPR 2021的口头报告，并获得了CVPR2021最佳论文奖提名。

论文信息：

[1] Xinqi Zhu, Chang Xu, Dacheng Tao,“Where and What? Examining Interpretable Disentangled Representations,” in Proceeding of IEEE Computer Vision and Pattern Recognition (CVPR 2021), June 2021. 

论文链接：

[https://arxiv.org/abs/2104.05622]

视频讲者简介：

朱鑫祺，悉尼大学计算机系三年级博士生。研究兴趣包括解耦表征学习，计算机视觉，机器学习。2018年从上海交通大学获得学士学位。在ICML，CVPR，ICCV，ECCV等国际会议上发表多篇论文，并在ICML，NeurIPS，ICLR，CVPR，ACMMM等国际会议上担任审稿人。

特别鸣谢本次论文速览主要组织者：

月度轮值AC：王栋 (大连理工大学)、王鹤 (北京大学)

季度责任AC：王兴刚 (华中科技大学)