针对学习解耦表示是表示学习中重要的问题，本文调查研究了少量监督如何影响现有的解耦学习方法，并进行了大规模实验，结果表明，即使标签不完全或不准确，使用少量的标记训练样本可以对现有的解耦学习模型进行模型选择，并证实引入监督可以有效地学习解耦表示。

May, 2019

本篇论文探讨了如何利用不同的解缠绕概念提高表示学习中多元回归模型的公平性，并证明在某些情况下，最优的和经验的预测结果都可能是不公平的。

May, 2019

该研究提出了一种理论上的度量方法来评估机器学习中所谓的disentangled representations的质量，这些方法可以让不同的机器学习模型公平地进行比较。

Aug, 2019

本文研究了因果变量在相关数据上的行为并分析了最主要的解缠方法在大规模实证研究（包括4260个模型）中的表现，结果显示数据集中系统性引入的相关性正在被学习并反映在潜在表示中，这对于解缠的下游应用如公平性有重要的影响，同时呈现了如何通过训练期间的弱监督或使用少量标签的预训练模型的后修复来解决这些潜在的相关性。

Jun, 2020

本文提出了一个新的高分辨率数据集，其中包括1M个模拟图像和1800个带注释的现实世界图像，以评估分解表示学习到未见过的模拟和实际环境中的泛化能力，研究表明分解表示学习是识别未知分布下任务性能的有效预测因素。

Oct, 2020

本文提供了对无监督学习解开重要变动因素的最新发展的观点，旨在挑战一些常见的假设。本文首先从理论上证明了，无监督的解开表示恒妄图反演和数据上的约定性偏见是不可能的。接着，通过对8个数据集进行超过14,000个模型的训练，本文发现虽然不同的方法成功地实现了相应损失所鼓励的特性，但是没有监督的情况下，好的解开模型似乎无法被识别。此外，不同的评估指标并不总是在什么应该被认为是“解开的”上达成一致，而且在估计上表现出系统性差异。最后，增加的解开性似乎并不一定会导致学习下游任务的样本复杂度减少。本文的结果表明，关于解开学习的未来工作应该明确归因于诱导偏见和（隐含的）监督的作用，研究解开表示的具体好处，并考虑到涵盖几个数据集的可重复的实验设置。

Oct, 2020

探讨了一种无监督的去卷积方法，在使用没有去卷积术语的生成模型中提取去卷积表示，以获得与现有技术相当的结果。

Feb, 2021

本文对概念解释和解纠缠学习领域的研究进行了比较和对比，探讨了它们在各种任务上的性能和行为，以及它们的潜在优势和局限性，并指出两者的最新方法在数据效率、特定分类/回归任务的敏感性，或所使用的概念表示符号的敏感性等方面存在局限性。

Apr, 2021

本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。

Aug, 2021

本研究解决了在分离表示学习领域中缺乏可靠且一致的量化评估度量的问题。通过全面分析现有度量，提出了一种新框架和度量指标EDI，该指标利用“独占性”这一直观概念，引入了改进的因子-编码关系，展现出比现有度量更优的稳定性和重要特性，建议将其作为标准化方法使用。

Oct, 2024