arXiv cs.AI· Quentin Fruytier, Akshay Malhotra, Shahab Hamidi-Rad, Aditya Sant, Aryan Mokhtari, Sujay Sanghavi·· 12 小时前AI 评分24
用 WAE-MMD 与可编程先验雕刻潜空间：解耦表示学习新方法
Sculpting the Latent Space: Disentanglement with WAE-MMD and Programmable Priors
AI 导读
研究提出用非参数 MMD 直接塑造聚合后验、实现可编程先验的 WAE-MMD 方法，相比主流基线将检测到的纠缠降低 70%，达到无监督统计独立性 SOTA。作者同时用无监督指标 Latent Predictability Score（LPS）量化了 VAE 与对抗训练在聚合后验上难以强制因子化表示的问题。
正文 · AI 翻译
摘要：学习解耦表示（即在潜在空间中独立捕获语义特征）主要由变分自编码器（VAE）和对抗训练主导。在本文中，我们提供了直接的定量和视觉证据，表明这些方法在聚合后验上始终无法强制实现目标因子化表示，从而导致纠缠表示。我们使用潜在可预测性得分（LPS）来量化这一失败，LPS 是一种互预测的无监督度量，经验上给出了潜在空间中纠缠程度的下界。为了解决这些局限性，我们利用非参数最大均值差异（MMD）直接塑造聚合后验，从而实现可编程先验。我们展示了：(1) 最先进的无监督统计独立性，与领先基线相比，检测到的纠缠减少了 70%；(2) 可选地注入半监督信息以实现显式语义对齐的灵活性；(3) 在不牺牲重建质量的情况下精确塑造聚合后验分布（通过量化感知训练验证）。
| 评论： | 34 页，17 幅图。已被 SIAM 国际数据挖掘会议（SDM 2026）接收。v2：定稿修订版；更改标题；新增 LPS 下界引理、NashAE 基线、CelebA、半监督对齐和量化感知训练实验。代码：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.11953 [cs.LG] |
| （或 arXiv:2510.11953v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2510.11953 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Quentin Fruytier [查看电子邮件]
[v1]
2025 年 10 月 13 日星期一 21:26:01 UTC（4,713 KB）
[v2]
2026 年 10 月 21 日星期三 17:17:00 UTC（5,565 KB）
来源：arXiv cs.AI · arxiv.org