基于匹配聚合后验分布的深度潜在变量模型解耦分析

深度潜在变量模型（DLVM）旨在以无监督方式学习有意义的表示，使得隐藏的解释因子可由独立的潜在变量（即解耦）解释。变分自编码器（VAE）是因其使用以因子高斯分布建模后验分布而在解耦分析中受到广泛关注。最近提出的各种指标均假设解释数据变化的潜在变量与潜在轴（基准方向）对齐。然而，还有一些 DLVM（如 AAE 和 WAE-MMD）将聚合后验匹配到先验分布，其中潜在变量可能不与潜在轴对齐。本文提出了一种用于评估通用 DLVM 解耦的统计方法。该提议技术发现代表数据集生成因子的潜在向量，这些向量可能不同于基准潜在轴。我们在两个数据集上进行经验验证，展示了该方法的优势。