Un modèle génératif des transformations de symétrie

Capturer correctement les transformations de symétrie des données peut conduire à des modèles efficaces avec de fortes capacités de généralisation, bien que les méthodes intégrant des symétries nécessitent souvent des connaissances préalables. Bien que des avancées récentes aient été réalisées pour apprendre ces symétries directement à partir du jeu de données, la plupart de ces travaux se sont concentrés sur le cadre discriminatif. Dans cet article, nous construisons un modèle génératif qui vise explicitement à capturer les symétries dans les données, résultant en un modèle qui apprend quelles symétries sont présentes de manière interprétable. Nous fournissons un algorithme simple pour apprendre efficacement notre modèle génératif et démontrons sa capacité à capturer des symétries sous des transformations affines et colorées. Combiner notre modèle de symétrie avec des modèles génératifs existants entraîne des log-vraisemblances de test marginales plus élevées et une robustesse face à la sparsité des données.