揭秘类间解耦

学习解耦一组观测中隐藏的变化因素是人工智能的一项关键任务。我们为类别与内容解耦提出了一个统一的表述，并利用它说明了当前方法的局限性。因此，我们引入了 LORD，一种基于潜在优化的表示解耦新方法。我们发现，潜在优化与非对称噪声正则化相结合，在实现解耦表示方面优于摊销推断。在大量实验中，我们的方法被证明比使用相同监督水平的对抗性和非对抗性方法都能取得更好的解耦性能。我们进一步引入了一种基于聚类的方法，将我们的方法扩展到存在类内变化的场景，并在域翻译任务上取得了有希望的结果。