通过作用诱导表征实现无监督 disentanglement
机器学习
2026-02-09 v1 数据分析、统计与概率
量子物理
摘要
学习具有变分自编码器 (VAEs) 的可解释表征是表征学习的主要目标。主要挑战在于获得解耦的表征，其中每个潜维度对应于不同的生成因子。这一困难基本上与无法进行非线性独立成分分析有关。我们引入作用诱导表征 (AIRs) 的框架，该框架模型化给定可对物理系统执行的实验（或动作）的表征。我们展示，在该框架中，我们可以对动作依赖性实现可证明的解耦。我们进一步引入了变分 AIR 架构 (VAIR)，可提取 AIRs，从而在标准 VAEs 失败的地方实现可证明的解耦。除了状态表征，VAIR 还捕捉底层生成因子的动作依赖性，直接将实验与它们影响的程度相关联。
引用
@article{arxiv.2602.06741,
title = {Disentanglement by means of action-induced representations},
author = {Gorka Muñoz-Gil and Hendrik Poulsen Nautrup and Arunava Majumder and Paulin de Schoulepnikoff and Florian Fürrutter and Marius Krumm and Hans J. Briegel},
journal= {arXiv preprint arXiv:2602.06741},
year = {2026}
}
备注
Main text: 10 pages, 4 figures