【解耦表示学习】必读论文合集推荐

最近，腾讯AI Lab联合ETH证明其提出的变分估值有更低的解耦误差和更好的估值表现两个优异特性！
其中涉及解耦性能、具有最佳可想象解耦误差的估值等有关解耦的知识。我们一起来简单了解一下解耦：

如果在处理复杂数据时，我们能把表现较好的神经网络和人工建模方法结合起来，可解释性、生成和操作对象的能力、无监督特征学习和零样本学习的问题，都可以在一定程度上得到解决。对于微分方程和其他人工建模方法来说，图像处理很难进行，但通过和深度学习进行结合，上述模型允许我们进行对象的生成和操作、可解释性强，最重要的是，该模型可以在其他数据集上完成相同的工作。模型中的特征虽然具有可解释性，但特征之间是相关联的，换句话说，这些特征是耦合在一起的。这个时候实现解耦表示十分重要，也就是让嵌入中的每个元素对应一个单独的影响因素，并能够将该嵌入用于分类、生成和零样本学习。

论文合集下载链接：https://www.aminer.cn/topic/601fbf1392c7f9be21266c41?f=cs

以下是从合集中为您整理的几篇相关论文：

1.Auto-Encoding Total Correlation Explanation.

“我们提出了一种信息理论方法，使用多元互信息（也称为完全相关）来表征表征表征学习中的解缠和依赖性…令人惊讶的是，我们发现这个下限在某些条件下等同于变分自动编码器（VAE）中的下限…”

论文下载链接：https://www.aminer.cn/pub/5a9cb65d17c44a376ffb8367/?f=cs

2.Hyperprior Induced Unsupervised Disentanglement of Latent Representations.

“我们在潜在代码的协方差矩阵上用逆 Wishart （IW） 来扩充标准 VAE。通过调整IW参数，我们能够鼓励（或阻止）学习潜在维度的独立性…我们的方法在新数据集（相关椭圆）上实现了显着更好的解缠和重建，该数据集引入了变异因子之间的相关性…”

论文下载链接：https://www.aminer.cn/pub/5bdc31b417c44a1f58a0b633/?f=cs

3.Are Disentangled Representations Helpful for Abstract Visual Reasoning?

“我们进行了一项大规模的研究，调查解缠表示是否更适合抽象推理任务。使用两个类似于Raven的渐进矩阵的新任务，我们评估了由360个最先进的无监督解缠模型学习的表示的有用性…”

论文下载链接：https://www.aminer.cn/pub/5d04e8f5da56295d08dc8de5/?f=cs

4.Structured Disentangled Representations

“我们提出了一个两级分层目标，以控制变量块和块内单个变量之间的相对统计独立性…对各种数据集的实验表明，我们的目标不仅可以解开离散变量，而且这样做还可以改善其他变量的解开，更重要的是，甚至可以推广到看不见的因素组合…”

论文下载链接：https://www.aminer.cn/pub/5d245b48da56295a28f8d51a/?f=cs

5.Challenging Common Assumptions in the Unsupervised Learning of Disentangled Representations.

“我们对该领域的最新进展进行了冷静的审视，并挑战了一些常见的假设。我们首先从理论上证明，如果没有模型和数据上的归纳偏差，解缠表示的无监督学习从根本上是不可能的…我们的研究结果表明，未来关于解缠学习的工作应该明确归纳偏差和（隐性）监督的作用，调查强制分离学习表示的具体好处，并考虑覆盖多个数据集的可重复实验设置…”

论文下载链接：https://www.aminer.cn/pub/5e72342f93d709897cfbe0e5/?f=cs