通过无监督对称群发现的无因果表示学习
机器学习
2026-05-27 v3
摘要
对称性基于的无因果表示学习利用环境转换的 group 结构来揭示变异的潜在因子。先前的对称性方法需要强大的对称群结构的 prior knowledge，或关于 subgroup 属性的限制性假设。在本工作中，我们通过提出一种方法，让具身 agent 通过与环境的无监督 interaction 自主发现其 action space 的 group 结构。我们在最小假设下证明了 true symmetry group decomposition 的 identifiability，并推导了两个算法：一个用于从 interaction data 中发现 group decomposition，另一个用于在不假设特定 subgroup 属性的情况下学习 Linear Symmetry-Based Disentangled（LSBD）表示。我们的方法在三个展现不同 group decomposition 的环境中进行验证，其中它超越了现有的 LSBD 方法。
引用
@article{arxiv.2603.11790,
title = {Disentangled Representation Learning through Unsupervised Symmetry Group Discovery},
author = {Barthélémy Dang-Nhu and Louis Annabi and Sylvain Argentieri},
journal= {arXiv preprint arXiv:2603.11790},
year = {2026}
}