우리는 Variational AutoEncoder(VAE)의 새로운 반지도 학습 방법을 제안하며, 이를 통해 EXplainable encoder Network(EXoN)를 사용하여 맞춤형 잠재 공간을 산출한다. 이러한 맞춤형화는 근접성(proximity)과 같은 수동 설계를 통해 보간(interpolation)과 구조적 제약을 구성하는 방식으로 이루어지며, 이는 잠재 공간의 해석가능성을 향상시킨다. 분류 성능을 개선하기 위해 SCI(Soft-label Consistency Interpolation)라는 새로운 반지도 분류 방법을 도입한다. 설명 가능한 잠재 공간을 구성하는 데에는 분류 손실과 Kullback–Leibler 발산의 결합이 핵심이다. 또한 생성된 샘플의 변동성은 능동 잠재 부분공간(active latent subspace)에 의해 결정되며, 이는 서로 구별되는 특징을 효과적으로 포착한다. 우리는 MNIST, SVHN 및 CIFAR-10 데이터셋을 사용하여 실험을 수행하였고, 그 결과 본 접근법이 해석 가능한 잠재 공간을 제공함과 동시에 잠재 공간 내 표현 패턴을 분석하는 데 필요한 노력을 유의미하게 감소시킨다는 것을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.