用于增强 VAE 解耦的潜在向量变换的多重可逆与部分等变函数
机器学习
2026-02-06 v3 人工智能
摘要
解耦学习对于理解和重用变分自编码器（VAE）中学习到的表示至关重要。尽管等变性在此背景下已被探索，但有效利用它来实现解耦仍然具有挑战性。在本文中，我们提出了一种新颖的方法，称为多重可逆与部分等变变换（MIPE-Transformation），它整合了两个主要部分：（1）可逆与部分等变变换（IPE-Transformation），保证了一个可逆的潜在空间到变换后潜在空间的映射，同时在变换后的潜在空间中保留了部分输入到潜在空间的等变性；（2）指数族转换（EF-Conversion），通过一个可学习的转换将标准高斯先验扩展为近似的指数族分布。在 3D Cars、3D Shapes 和 dSprites 数据集上的实验中，MIPE-Transformation 提升了最先进 VAE 的解耦性能。
引用
@article{arxiv.2502.03740,
title = {Multiple Invertible and Partial-Equivariant Function for Latent Vector Transformation to Enhance Disentanglement in VAEs},
author = {Hee-Jun Jung and Jaehyoung Jeong and Kangil Kim},
journal= {arXiv preprint arXiv:2502.03740},
year = {2026}
}
备注
Accepted in AISTATS 2026