统一潜空间解缠 VAE 框架及其稳健解缠效果评估
机器学习
2026-03-13 v1 机器学习
摘要
评估和解释潜空间表示（如变分自编码器 VAE） remains 挑战重中之重，尤其当真实生成因子未知时。为此，我们提出通用框架——bfVAE——将多个最先进的解缠 VAE 方法统一，生成有效的潜空间解缠，尤其适用于表格数据。为评估 VAE 解缠技术效果，我们提出两种程序——通过潜遍历的特征方差异性（FVH-LT）和潜空间脏块稀疏回归（DBSR-LS）——用于解缠评估，以及使用 FVH-LT 和 DBSR-LS 输出的潜空间解缠指数（LSDI），用于在不依赖或不了解真实生成因子的情况下总结 VAE 解缠方法的整体效果。到目前为止，我们已知是首次实现此功能的评估工具。FVH-LT 和 DBSR-LS 还增强了潜空间可解释性，提供更高效内容生成的指导。为确保解缠稳健且一致，我们开发了贪心对齐策略（GAS），以缓解标签交换并对潜维度跨运行进行对齐，以获得聚合结果。我们在表格和图像数据上对 bfVAE 框架进行广泛实验评估和验证。结果表明，bfVAE 在解缠质量、稳健性方面超越现有解缠 VAE 框架，实现接近零的发现率误报，FVH-LT 和 DBSR-LS 可可靠地揭示语义相关且领域相关的潜结构，LSDI 对解缠效果进行有效的整体量化总结。
引用
@article{arxiv.2603.11242,
title = {A Unified Latent Space Disentanglement VAE Framework with Robust Disentanglement Effectiveness Evaluation},
author = {Xiaoan Lang and Fang Liu},
journal= {arXiv preprint arXiv:2603.11242},
year = {2026}
}