“Later, several other groups have started working in this field, like [7].”
Learning Plannable Representations with Causal InfoGAN
最大化互信息学出低维规划模型,想象目标导向的视觉计划
论文研究如何“想象”目标导向的视觉计划,即把动力系统从当前状态转移到目标状态的一串合理观测,可作为控制的参考轨迹。方法让生成模型的生成过程由低维规划模型中的转移加上噪声来诱导,并通过最大化生成观测与规划模型转移之间的互信息,得到最能解释数据因果性质的低维表示;规划模型被设计成与高效规划算法兼容,提出了基于离散或连续状态的多种形式。生成视觉计划时,把当前与目标观测投影到规划模型的状态,规划出轨迹,再由生成模型转成观测序列,并在绳索操作任务上演示。
HN 上的人把它作为从含噪图像学习可规划潜在表示、用于符号规划的相关工作来引用,也有人打算写博客用 TinyGrad 实现它。
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出这条路径先看 GAN 训练的稳定技巧,再学 InfoGAN 的互信息最大化,并了解从图像直接做机器人控制的设定,对应目标论文要学出能规划的低维表示。
- 1
目标论文基于 GAN,这篇给出 GAN 训练的稳定技巧,也是 InfoGAN 一系工作的前置。
读特征匹配、小批量判别等训练技巧的思路;不必细读半监督部分。
- 2InfoGAN: Interpretable Representation Learning by Information Maximizing Generative Adversarial Nets
Causal InfoGAN 直接扩展 InfoGAN,用最大化互信息学出可解释的潜变量。
读互信息下界与辅助网络 Q 的设计,以及它为什么让潜变量变得可解释。
- 3
它代表了从图像直接到机器人控制的端到端思路,目标论文要在同样的高维观测下做规划。
读视觉运动策略的输入输出设定,以及直接用图像做控制会遇到的困难。
- 4Learning Plannable Representations with Causal InfoGAN
读完前置后,再看如何把 InfoGAN 扩展成能规划的表示,并生成目标导向的视觉计划。
读相邻状态之间的转移约束、互信息目标的修改,以及从图像想象出到达目标的轨迹。
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及“- [OTHER_PAPER] - StyleGAN2 - Learning Plannable Representations with Causal InfoGAN - Causal InfoGAN, written in TinyGrad”
- Learning Plannable Representations with Causal InfoGAN [pdf] ↗stablemap · 2018-07-30 · 3 分