XFACTORS：通过对比监督实现解耦信息瓶颈

解耦表示学习旨在将独立的变异因子映射到独立的表示组件。一方面，纯无监督方法在完全解耦的合成数据上取得成功，但缺乏强 inductive 偏置无法从真实数据中恢复语义因子。另一方面，监督方法不稳定且难以扩展到大量属性集合，因为它们依赖对抗目标或辅助分类器。我们引入了\textsc{XFactors}，这是一种弱监督变分自编码器框架，能够解耦并对选定的因子提供显式控制。基于解耦信息瓶颈观点，我们将表示分解为残差子空间$\mathcal{S}$和因子特定子空间$\mathcal{T}_1,\ldots,\mathcal{T}_K$以及残差子空间$\mathcal{S}$。每个目标因子通过对比监督编码于其分配的$\mathcal{T}_i$中：InfoNCE损失将共享相同因子值的latents拉近，并推远不匹配的配对。并行地，KL正则化对$\mathcal{S}$和聚合因子子空间施加高斯结构，在无需额外监督的情况下组织几何，避免对抗训练和分类器。在多个数据集上，\textsc{XFactors}在保持常数超参数的情况下实现了state-of-the-art解耦评分，并在相应子空间中实现一致的定性因子对齐，使通过latent替换实现受控因子交换。我们进一步展示了该方法随着隐层容量的增加而正确扩展，并在真实世界数据集CelebA上进行评估。我们的代码可在\href{https://github.com/ICML26-anon/XFactors}{github.com/ICML26-anon/XFactors}获取。