deep latent-variable models learn representations of high-dimensional data in
an unsupervised manner. A number of recent efforts have focused on learning
representations that disentangle statistically independent axes of variation by
introducing modifications to the standard objective
本文提出了一种基于变量可预测性的方法来优化 VAE 和 GAN 框架中的潜变量表征的解缠方法，该方法通过最大化潜变量变化与相应图像变化之间的互信息来增强变量的可预测性，同时提出了一种新的评估指标来度量潜在维度的解缠性能。研究表明，所提出的变量可预测性方法与当前基于与真实情况的度量模型表现出很好的相关性，可以有效地增强潜变量表征的解缠能力。