从无标签观测中变分推断解耦潜概念

解耦表示将高层数据生成因子反映于不相交的潜维度中，具有诸多益处，如易于导出不变表示、可迁移至其他任务、可解释性等。我们考虑从无标签观测大池中无监督学习解耦表示的问题，并提出一种基于变分推断的方法来推断解耦潜因子。我们引入关于观测数据上近似后验期望的正则化项以鼓励解耦。我们还提出一种新的解耦度量，其与解码器输出中观察到的定性解耦更为一致。我们在经验上观察到在解耦与数据似然（重建质量）两方面均较现有方法显著提升。