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
- Gaussian Mixture Variational Autoencoder with Contrastive Learning for Multi-Label Classification-Accepted to NeurIPS 2021 Workshop on Deep Generative Models and Downstream Applications
- 前言
- 一、摘要
- 二、method
- 三、实验
- 总结
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
1.高斯混合潜在的空间
这里通过网络对标签进行embedding,然后进行独立高斯分布
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
重建损失仍然是标准的负对数似然:
2.contrastive learning
若样本存在该标签:
若样本不存在该标签:
3.Loss
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:
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。