文章目录
- 前言
- 一、β-vae的提出
- 二、β-vae框架推导
- 1.假设
- 2.推导
- 三、DISENTANGLEMENT METRIC
前言
文章：β-VAE: LEARNING BASIC VISUAL CONCEPTS WITH A CONSTRAINED VARIATIONAL FRAMEWORK
beta-vae 本文是在传统VAE的基础上，对VAE的loss进行了改进，在loss的第二项KL散度项加上一个超参数β，作者发现，随着增加β，传统的VAE有了disentanglement的特性，并做了大量的实验验证。
在我看来，全篇文章主要做了两件事情：
- 在VAE的基础上，增加超参数β，发现了disentanglement的特性（很可惜没有很好的解释原因是什么。）
- 提出一个disentanglement的度量方法
一、β-vae的提出
β-vae实际上非常简单，就是在传统vae的基础上，对VAE的loss进行了改进，在loss的第二项KL散度项加上一个超参数β。所以说，你需要先弄明白vae，这里推荐你看一下苏剑林老师的文章，这篇文章我感觉是讲vae讲的最好的一篇。
首先看一下传统VAE的loss：
分为两个部分，前面是重构项，后面是kl散度。
beta-vae的loss：
就是在kl散度项加了一个超参数β。
二、β-vae框架推导
1.假设
设D={X，V，W}是由图像x∈RN和两组地面真实数据生成因子组成的集合：条件独立因子v∈RK，其中logp(v|x)=Pklogp(vk|x)；和条件相关因子w∈RH。我们假设图像x是由真实世界模拟器使用相应的地面真实数据生成因子生成的：
p(x|v,w)=Sim(v，w)。
我们想要开发一个无监督的深度生成模型，仅使用X的样本，可以学习数据x和一组生成潜在因子z(z∈RM，其中M≥K)的联合分布，这样z就可以生成观测数据x；即p(x|z)≈p(x|v，w)=Sim(v，w)。因此，一个合适的目标是使在潜在因子x的整个分布中，预期的观测数据x的边际（对数）似然值最大化：
2.推导
对于一个给定的观测x，我们用概率分布qφ(z|x)来描述潜在因子z的推断后验构型。我们的目的是确保推断出的潜在因子qφ(z|x)以解纠缠的方式捕获生成因子v。有条件依赖的数据生成因子w可以保持纠缠在z的一个单独子集中，该子集中不用来表示v。为了鼓励在推断的qφ(z|x)中的这种分离性质，我们通过尝试将其与先验的p(z)匹配来对其引入一个约束。它既可以控制潜在信息瓶颈的能力，又体现了上述统计独立性的需求。
因此，将先验设置为一个各向同性单位高斯(p(z)=N(0，I))，可以满足这一点。
对于β-vae的损失来说：
β是正则化系数，它约束了潜在信息通道z的容量，并由于高斯先验p(z)的各向同性，对学习到的后验施加隐式独立压力。
最终损失函数为：
当在信息保存（重建成本作为正则化）和潜在信道容量限制（β>1）之间找到正确的平衡时，就会出现解纠缠表示。文中通过实验选择的是β=4的时候效果最好。
三、DISENTANGLEMENT METRIC
关于disentanglement的度量方法是比较少的，文章中提出了自己的度量方法，本质是一个线性分类器。
算法流程：
如图所示：
我来解释一下这个方法，因为一开始的时候我也没有看懂。首先要明确的是，这个方法的本质是一个分类器。
先看上图的最左边，数据是以数据对的形式存在的，每组数据都有两个样本，一共有L组。其中，所有数据的scale是一样的，可以从图中看出，不管是心形、椭圆、还是正方体。这就确保了对于隐变量来说，其中的一维是固定的。
接着是将样本以对的形式输入到编码器中，得到Z，一组当中，Z做减法。然后将所有组的Zdiffer求均值。将这个均值输入到最后的分类器中，分类器的目标是预测对给定zb保持不变的生成因子的索引y。
