0
点赞
收藏
分享

微信扫一扫

contrastive learning的学习

新鲜小饼干 2022-04-19 阅读 63
python

Gaussian Mixture Variational Autoencoder with Contrastive Learning for Multi-Label Classification-Accepted to NeurIPS 2021 Workshop on Deep Generative Models and Downstream Applications


文章目录


前言

学习该篇论文讲了什么内容,学习method


一、摘要

我们的方法还采用了学习和对齐特征和标签的潜在空间的思想。与基于单峰先验的先前工作相比,C-GMVAE 在潜在空间上施加了高斯混合结构,以缓解后向塌陷和过度正则化问题。

二、method

在这里插入图片描述

1.高斯混合潜在的空间

在这里插入图片描述

这里通过网络对标签进行embedding,然后进行独立高斯分布在这里插入图片描述
在这里插入图片描述
通过 y y y激活正类的标签,从而获得高斯混合子空间。

这里embedding得到的标签维度与后面 x ^ \hat{x} x^的维度保持一致。
然后采用KL散度进行计算loss
在这里插入图片描述
重建损失仍然是标准的负对数似然:
在这里插入图片描述

2.contrastive learning

若样本存在该标签:
在这里插入图片描述
若样本不存在该标签:
在这里插入图片描述

3.Loss

在这里插入图片描述
预测的 y ^ \hat{y} y^,通过 x ^ \hat{x} x^激活得到。

三、实验

实验数据
mulan公开数据集
在5个指标上效果很好:
在这里插入图片描述


总结

这篇文章利用了标签嵌入维度,与特征变换后维度一致来运用对比学习。如果原样本有这个标签就降低该损失,如果没有这个标签就增加损失。通过这种方式来增加特征和标签的相关性。

举报

相关推荐

0 条评论