论文地址：DIM
code：代码地址

背景

  发现有用的表示是深度学习的一个核心目标，由于之前的工作已经可以有效的估计深度学习网络的输入/输出对之间的MI，作者提出最大化输入与输出全局和局部MI学习到更好的表示。作者还提到，直接最大化全部输入和编码器的输出（即全局的MI）更适合于重建性的任务，而在分类的下游任务上效果不太好。最大化输入的局部区域（例如图片中的一块）和输出的平均互信息在下游任务（如图像分类）上的效果更好。因此，互信息最大化的过程可以优先考虑全局或局部信息，文章表明，这可以用来调整学习表征对分类或重建风格任务的适用性。
  表征的有用性不仅仅是信息内容的问题，独立性等表征特征也起着重要作用。作者以类似于对抗性自编码器(AAE)的方式将MI最大化与先验匹配结合起来，根据所需的统计属性约束表示。这种方法与信息最大化优化原则密切相关，所以方法称为Deep InfoMax (DIM)。

模型

  图一是基本的编码器模型，我们的目标是使得向量y包含更多的有用特征，图二是训练鉴别器的过程，使用另一张图片为假样本，训练鉴别器使得它可以分开补丁的特征与向量y是否来自于同一张图片，注意，这里的鉴别器就是估计互信息时使用的神经网络，这是训练这个鉴别器的目的。