量化解耦的可操作化
机器学习
2025-11-27 v1 机器学习
摘要
最近的理论工作确立了在任何微分同胚下量化因子的无监督可识别性。该理论假设量化阈值对应于潜在因子概率密度中轴对齐的不连续性。通过约束学习到的映射具有轴对齐不连续性的密度，我们可以恢复因子的量化。然而，将这一高层原则转化为有效的实践准则仍然具有挑战性，尤其是在非线性映射下。在此，我们通过鼓励轴对齐的不连续性，开发了一种用于无监督解耦的准则。不连续性表现为因子估计密度的急剧变化，并形成我们称之为“悬崖”的结构。遵循理论中独立不连续性的定义，我们鼓励沿某个因子的悬崖位置独立于其他因子的值。我们展示了我们的方法Cliff在所有解耦基准测试上均优于基线方法，证明了其在无监督解耦中的有效性。
引用
@article{arxiv.2511.20927,
title = {Operationalizing Quantized Disentanglement},
author = {Vitoria Barin-Pacela and Kartik Ahuja and Simon Lacoste-Julien and Pascal Vincent},
journal= {arXiv preprint arXiv:2511.20927},
year = {2025}
}