【ICML2021】通过乘积流形投影学习解纠缠表示

我们提出了一种新的方法来解开一组给定的观察结果背后的变异的生成因素。我们想法是建立在可以显式地建模为子流形乘积的数据空间的(未知的)低维流形。这种解纠缠的定义提出了一种新的弱监督算法，用于恢复数据背后的未知解释因素。在训练时，我们的算法只需要成对的非i.i.d.数据样本，它们的元素共享至少一个，可能是多维的，产生变异的因素。我们不需要知道这些变换的性质，也不需要对每个子空间的性质做任何限制性的假设。我们的方法易于实现，并可以成功地应用于不同类型的数据(从图像到三维表面)进行任意转换。除了标准的合成基准外，我们还展示了我们在挑战现实应用方面的方法，在现实应用中，我们可以与目前的技术水平想匹配。

https://www.zhuanzhi.ai/paper/9e9f6d368f90ce8173994ac06faab1eb