我们不 C：基于流匹配的流形解耦用于结构化发现
人工智能
2026-03-12 v2
摘要
在高维数据常见的领域中，获取已学习表示中的信息对于注释、发现和数据过滤至关重要。我们提出 What We Don't C，一种基于潜在流匹配的新方法，通过显式移除条件引导中包含的istical information 来解耦潜在子空间， resulting in meaningful residual representations。这使得那些尚未被捕获在条件中的变化因素更易于获得。我们指出，引导路径中的引导必然压抑引导变量（conditioning variables）的信息。我们的结果表明，这种方法是一种简单而强大的机制，用于分析、控制和重新利用潜在表示，为使用生成模型探索我们所未捕获、未考虑或未编目的内容提供了可能。
引用
@article{arxiv.2511.09433,
title = {What We Don't C: Manifold Disentanglement for Structured Discovery},
author = {Brian Rogers and Micah Bowles and Chris J. Lintott and Steve Croft and Oliver N. F. King and James Kostas Ray},
journal= {arXiv preprint arXiv:2511.09433},
year = {2026}
}
备注
v2: Preprint of extended version. 21 pages. v1: Short version accepted to the Machine Learning and the Physical Sciences workshop at NeurIPS 2025 (Number 315: https://ml4physicalsciences.github.io/2025/)