研究表明，对于下游任务而言，维度上解耦表示是不必要的，而表示的信息性比解耦性更好地预示了下游任务的性能。

Mar, 2024

本研究探究了利用解缠 VAE 学习一组从渡鸦渐进矩阵派生而来的关系推理问题的有用潜在空间的无监督表示学习的泛化特性，并显示出通过正确的目标函数使用无监督训练学习的潜在表示显着优于仅使用监督学习训练的相同体系结构，尤其是在泛化方面。

Nov, 2018

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

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

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

本文提出了关于分解表示学习的一个定义，并利用群和表示论的形式，将对称变换与向量表示相连，为分解表示学习提供了一个更好的理论基础，在学习表示时启发了更好的算法设计。

Dec, 2018

通过因果视角下关联因素的不懈探索，我们提出了两个衡量因果解缠的新指标及数据集，并在最新的表述学习器中进行了实证研究。

Dec, 2021

本文分析了无监督学习分离表示的最新进展并挑战了一些常见假设，通过实验研究发现，不加监督训练的模型很难达到良好的分离效果，同时，增加分离度似乎不会降低学习的样本复杂度，未来的研究应该关注归纳偏置和 (隐式) 监督的作用，考虑在多个数据集上复现实验结果。

Nov, 2018

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