La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Iterative Adversarial Inference with Re-Inference Chain for Deep Graphical Models Inférence contradictoire itérative avec chaîne de réinférence pour les modèles graphiques profonds

Zhihao LIU, Hui YIN, Hua HUANG

  • Vues en texte intégral

    0

  • Citer

Résumé:

Le modèle graphique profond (DGM) basé sur les réseaux contradictoires génératifs (GAN) s'est révélé prometteur en matière de génération d'images et d'inférence de variables latentes. L'un des modèles typiques est le modèle Iterative Adversarial Inference (GibbsNet), qui apprend la distribution conjointe entre les données et leur variable latente. Nous présentons RGNet (Re-inference GibbsNet) qui introduit une chaîne de réinférence dans GibbsNet pour améliorer la qualité des échantillons générés et des variables latentes déduites. RGNet comprend les réseaux génératifs, d'inférence et discriminatifs. Un jeu contradictoire se déroule entre les réseaux génératifs et d'inférence et le réseau discriminatif. Le réseau discriminant est entraîné à distinguer (i) les paires conjointes inférence-latente/espace de données et les paires ré-inférence-latente/espace de données et (ii) les paires conjointes échantillonné-latent/espace de données généré. Nous montrons empiriquement que RGNet surpasse GibbsNet dans la qualité des variables latentes inférées et atteint des performances comparables sur les tâches de génération d'images et d'inpainting.

Publication
IEICE TRANSACTIONS on Information Vol.E102-D No.8 pp.1586-1589
Date de publication
2019/08/01
Publicisé
2019/05/07
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2018EDL8256
Type de manuscrit
LETTER
Catégories
Intelligence artificielle, exploration de données

Auteurs

Zhihao LIU
  Beijing Jiaotong University
Hui YIN
  Beijing Jiaotong University
Hua HUANG
  Beijing Jiaotong University

Mots-clés

Table des matières