Mange datasæt fra det virkelige liv indeholder et lille antal mærkede datapunkter, som man typisk ser bort fra, når man træner generative modeller.
Vi foreslår den klyngebevidste generative model, der bruger umærkede oplysninger til at udlede en latent repræsentation, der modellerer den naturlige klyngedannelse af data, og yderligere mærkede datapunkter til at forfine denne klyngedannelse.
Modellens generative præstationer forbedres betydeligt, når mærket information udnyttes, og der opnås en log-likelihood på 79,38 nat på permutationsinvariant MNIST, mens der også opnås konkurrencedygtige semi-overvågede klassifikationsnøjagtigheder. Modellen kan også trænes helt uden overvågning og stadig forbedre log-likelihood-præstationen i forhold til relaterede metoder.
Download