問題 No.1197
変分オートエンコーダの拡張モデルにおいて、画像生成時にデータの持つ潜在的な特徴が互いに混ざり合うことなく、それぞれ独立した因子として潜在空間に明確に分離して獲得されるよう制御したい。損失関数の中の正則化項の重みを調整することで、この特徴表現の分離性を高めたモデルはどれか。
【正解の解説】
β-VAE
β-VAEは、変分オートエンコーダ(VAE)の損失関数の重みを調整する手法です。特徴の分離性を高めるために、特定の情報の重要度を強める工夫がなされており、生成画像の特徴を独立してコントロールするのに適しています。
スポンサーリンク
【その他の選択肢の解説】
infoGAN
infoGANは、GANに情報を付加することでデータの意味のある特徴を抽出できるようにした手法です。GANの仕組みをベースにしており、VAEの拡張モデルとは分類が異なります。
VQ-VAE
VQ-VAEは、潜在空間を連続的な値ではなく「量子化」して扱う手法です。画像を高精度に表現するのに向いていますが、特徴を分離して獲得することに特化したβ-VAEとはアプローチが異なります。
Conditional VAE
Conditional VAEは、入力データに加えて「カテゴリ」などの条件を付加することで、生成するデータの種類を制御できるようにした手法です。生成する内容を指定するのには有効ですが、特徴の分離性を最大化する目的にはβ-VAEが用いられます。