通过差分独立性实现内容-风格识别

生成分析通常将多域观察建模为域不可变内容变量和域特定风格变量的非线性混合。从无配对域中识别这两个因子可实现诸如域间迁移和反事实数据生成等任务。先前工作在内容与风格之间（块状）统计独立性，或通过非线性混合函数的稀疏雅可比假设下建立可识别性，但此类条件在实际中可能较为限制。在本工作中，我们引入内容-风格差分独立（CSDI），这是一种替代结构条件，要求内容和风格的微小变化在数据流形上诱导正交方向，从而即使内容与风格相关且雅可比矩阵稠密，亦可实现可识别性。我们通过对内容和风格关联雅可比子空间实施块状正交约束来实现该条件。为支持高维生成模型，我们设计了一种基于数值雅可比近似的随机正则化器，实现了在诸如高分辨率图像生成等设置下的可扩展训练。跨多个数据集的实验证实了可识别性分析，并展示了在反事实生成和域间翻译上的实际优势。