【Google AI论文】无妥协的弱监督解缠，Weakly-Supervised Disentanglement Without Compromises

题目： Weakly-Supervised Disentanglement Without Compromises

摘要：

智能体应该能够通过观察其环境中的变化来学习有用的表示。首先，从理论上证明，只知道有多少因素发生了变化，而不知道哪些因素发生了变化，就足以学习解缠表示。其次，我们提供了实用的算法，可以从成对的图像中学习分离的表示，而不需要对组、单个因素或已更改的因素的数量进行注释。第三，我们进行了大规模的实证研究，并表明这样的观测对足以可靠地学习几个基准数据集上的解缠表示。最后，我们评估我们的表示学习，并发现它们在不同的任务集合上同时是有用的，包括协变量转移下的泛化、公平性和抽象推理。总的来说，结果表明，在现实场景中，弱监督能够帮助学习有用的解缠表示。