本文综述了学习因素分离和表示在人工智能中的重要性，提出了影响因素分离度量的三个家族，即基于干预、基于预测和基于信息的，通过实验和分析揭示了具有因素分离特性的表示的属性之间的关系，并提供了衡量因素分离的指导方针。

Dec, 2020

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

本文介绍了用于学习具有层次结构表示的权威因素的基准、算法和指标，解决了代表学习中处理多种组合的上下文相关性、不确定性等实际生产过程的挑战。

Feb, 2021

本文提出了 VAEs 的解耦合方法，即分解潜在表示，通过先验中有结构的聚合编码和适当的重叠来满足。这种分解不仅能实现特定的解耦，还可通过引入先验来实现其他更丰富类型的约束，并通过控制先验和潜在空间分布来改善解耦效果。此外，还介绍了另一套训练目标和先验选择来控制分解和解耦，并对 β-VAE 在控制潜在空间重叠方面的性质进行了分析。

Dec, 2018

本文提出一个基于变分推理的方法，从大量未标记的观察中推断分离的潜在因素，通过对所观察数据的近似后验期望引入正则化项，从而鼓励分离；同时，提出了一种新的分离度量，与解码器输出中观察到的定性分离更加一致，经实验证明，在分离度和数据似然（重建质量）方面存在显著的改进。

Nov, 2017

本论文提出两种新的基于分类问题的度量方法来评估编码器的解缠能力，这些度量方法解决了现有度量方法中的两个缺陷，并且发现这些度量方法与组合概括任务的表现强相关。

Apr, 2023

本文研究了解离散表示学习的定义，并介绍了将等式定义转化为基于丰富范畴论的相容量化评估标准的系统方法。我们提出了适用于评估去迭代复杂数据的可分离表示抽取器所需性质的量化度量标准，并展示了它们在合成数据上的有效性。我们的方法为研究人员选择合适的评估标准和设计有效的离散表示学习算法提供了实用指导。

May, 2023

用机器学习将数据集的信息划分为有意义的片段，通过研究多次训练运行中学习的通道作为信息片段的整合，并将表示子空间视为数据嵌入的概率分布进行相似度比较，最终实现 VAE 的集成学习以提升信息内容。

May, 2024

我们提出了一种被称为 FactorVAE 的方法，它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示，并通过提供更好的解耦和重构质量之间的平衡得到改进。此外，我们还介绍了一个新的解耦评估度量，并阐明了常用的解耦评估度量存在的问题。

Feb, 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