.png){kind=icon}
返回
Self-Supervised Disentangled Representation Learning via Compositional Invariance
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3625076.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像作为机器智能理解世界的关键信息来源，其表示方式对智能系统的泛化性和可解释性产生显著影响。解耦表示学习为此提供了有前景的改进途径。然而，现有方法主要依赖统计独立性假设，这带来两大关键局限：首先，无法捕捉到许多概念既需解耦又相互关联的现实情况；其次，这与人类认知模式中概念自然呈现复杂依赖关系的特性相冲突。这些局限进一步阻碍了人机协作。为克服这些问题，我们提出了一种新型自监督学习方法——组合不变解耦（Compositional Invariant Disentanglement, CID），使模型能够学习符合人类认知习惯的可组合表示。受人类灵活重组概念的启发，我们通过组合不变性而非统计独立性重新定义了解耦概念。这一范式转换即使面对相关因素也能实现有效解耦，在多个标准基准上取得最佳解耦性能（Shapes3D提升4.0%，Dsprites提升4.5%，MPI3D提升28.6%）。此外，基于并扩展成功的自监督学习框架BYOL，CID展示了在无标签数据上进行大规模解耦预训练的潜力。本研究为机器智能从图像中提取更稳健且可解释的表示做出了贡献。
Keyword:
Disentangled representation learning
compositional invariance
self-supervised learning
generalization
interpretability
期刊
IF:
11.1
论文数:
892
被引数:
3.1W
机构
引用论文
.png){kind=icon}
Compositional Reinforcement Learning for Discrete-Time Stochastic Control Systems离散时间随机控制系统中的组合式强化学习
PREAI
分享收藏
查看更多内容