守护守护者？对已学习表征可辨识性评估的挑战
机器学习
2026-03-02 v1
摘要
在合成基准上使用标准指标(如MCC、DCI、R^2)对已学习表征的可辨识性进行评估，这些指标假设能够在已知真实因子的等价类中恢复。我们指出，这一假设仅在特定结构条件下成立：每个指标都隐式地编码了关于数据生成过程(DGP)和编码器的假设。当这些假设被违反时，指标就会失效，可能产生系统性的误报和漏报。这种失效既发生在经典可辨识范畴内，也发生在最需要可辨识性的后验情境中。我们引入一种分类法，将DGP假设与编码器几何学区分开来，用以描述现有指标的有效域，并发布一个用于可重复压力测试和比较的评估套件。
引用
@article{arxiv.2602.24278,
title = {Who Guards the Guardians? The Challenges of Evaluating Identifiability of Learned Representations},
author = {Shruti Joshi and Théo Saulus and Wieland Brendel and Philippe Brouillard and Dhanya Sridhar and Patrik Reizinger},
journal= {arXiv preprint arXiv:2602.24278},
year = {2026}
}