从模拟到真实世界的感应偏置转移：一种新的解纠缠数据集

的一部分神经信息处理系统进展32（NeurIPS 2019）

作者

穆罕默德·瓦利德·冈达尔（Muhammad Waleed Gondal）、曼努埃尔·伍特里奇（Manuel Wuthrich）、乔杰·米拉迪诺维奇（Djordje Miladinovic）、弗朗西斯科·罗泰洛（Francesco Locatello）、马丁·布雷特（Martin Breidt）、瓦伦丁·沃尔奇科夫（Valentin Volchkov）、乔尔·阿克波（Jo

摘要

在表征学习中，学习有意义的、紧凑的、具有分离语义方面的表征被认为是至关重要的。由于收集真实世界数据的成本是众所周知的，许多最先进的解纠缠模型在很大程度上依赖于合成玩具数据集。在本文中，我们提出了一个新的数据集，该数据集由100多万张物理3D对象的图像组成，具有七个变化因素，如对象颜色、形状、大小和位置。为了能够精确控制所有变化因素，我们搭建了一个实验平台，在该平台上，物体由机械臂移动。此外，我们还提供了另外两个数据集，包括实验装置的模拟。这些数据集首次提供了一种可能性，可以系统地研究不同的解缠结方法与模拟相比在实际数据上的表现如何，以及如何利用模拟数据构建更好的现实世界表示。我们对这些问题进行了首次实验研究，结果表明，学习过的模型传递效果很差，但模型和超参数选择是向现实世界传递信息的有效手段。