差异中的解耦：通过最大化因子间差异直接学习语义解耦表征
机器学习
2025-04-04 v2 人工智能
摘要
在本研究中，提出了差异解耦（DiD）方法，以解决解耦表征学习中潜在变量的统计独立性与语义解耦目标之间的固有不一致性。传统的解耦方法通过提高潜在变量之间的统计独立性来实现解耦表征。然而，潜在变量的统计独立性并不必然意味着它们在语义上无关，因此，提高统计独立性并不总能增强解耦性能。为解决上述问题，DiD被提出以直接学习语义差异，而非潜在变量的统计独立性。在DiD中，设计了一个差异编码器来度量语义差异；建立了一个对比损失函数以促进维度间的比较。这两者都允许模型直接区分和解耦不同的语义因子，从而解决了统计独立性与语义解耦之间的不一致性。在dSprites和3DShapes数据集上的实验结果表明，所提出的DiD在各种解耦指标上均优于现有的主流方法。
引用
@article{arxiv.2502.03123,
title = {Disentanglement in Difference: Directly Learning Semantically Disentangled Representations by Maximizing Inter-Factor Differences},
author = {Xingshen Zhang and Lin Wang and Shuangrong Liu and Xintao Lu and Chaoran Pang and Bo Yang},
journal= {arXiv preprint arXiv:2502.03123},
year = {2025}
}