从核心到细节：基于熵序流的无监督解缠特征
机器学习
2026-02-09 v1
摘要
学习既具语义意义又在不同运行中保持稳定的无监督表征表示，是现代表征学习中的核心挑战。我们引入熵序流（EOFlows），这是一种按其解释熵排序潜在维度的归一化流框架，类似于主成分分析（PCA）对解释方差的排序。这种排序使我们能够实现自适应单射流：训练后，可仅保留前 C 个潜在变量以形成紧凑的核心表征，而其余变量则捕获细粒度细节和噪声，C 的选择可灵活地在推断时确定，而非在训练时固定。EOFlows 基于独立机制分析、主成分流和流形熵度量的洞见。我们将基于似然的训练与局部雅可比正则化和噪声数据增强相结合，构建一种可扩展至高维数据（如图像）的方法。CelebA 数据集上的实验表明，我们的方法揭示了丰富的可解释语义特征，实现了高压缩率和强去噪效果。
引用
@article{arxiv.2602.06940,
title = {From Core to Detail: Unsupervised Disentanglement with Entropy-Ordered Flows},
author = {Daniel Galperin and Ullrich Köthe},
journal= {arXiv preprint arXiv:2602.06940},
year = {2026}
}