本文研究了参数 $eta$ 对分离自编码机性能和分离能力的影响，通过训练多个模型，发现其能够将独立输入生成因素编码为代码的单独元素，从而提高了模型行为的可解释性和可预测性。同时，也确定了分离对自编码机判别能力的负面影响。

Nov, 2017

本文提出了一种框架来无监督地学习清晰而可解释的连续和离散化的表示形式，通过增加变分自动编码机的连续潜在分布，并控制每个潜在单元中编码的信息量，展示了如何自动地从数据中发现连续和分类变化因素。实验结果显示，该框架在各种数据集上对连续和离散的生成因素进行了区分，并在离散生成因素突出时优于当前的 disentangling 方法。

Mar, 2018

我们提出N-VAE，一种深度模型，能够检测和区分不同类别之间独有和共享的可变因素，并生成包含训练数据中看不到特征的人工样本。

Jan, 2019

本文提出了polarized-VAE方法，它通过反映数据点之间在属性相似性方面的相似性度量，可以解开潜在空间中选定的属性的不可避免联系，相对于其他属性的联系降至最低，展现出更好的表现，并适用于其他属性分离任务。

Apr, 2020

通过从图像领域选择代表性的成功应用模型来突显在无监督设置中实现文本领域的表征分离的挑战，我们评估了这些模型在 6 个分离度量、下游分类任务和同伦方面的性能。我们提出了两个具有已知生成因素的合成数据集，以促进评估。我们的实验强调了文本领域中存在的差距，并说明了一些因素，如表征稀疏性（作为归纳偏差）或与解码器的表征耦合，可能会影响分离效果。据我们所知，我们的工作是关于无监督表征分离和文本交叉领域的第一次尝试，并为研究该方向的未来发展提供了实验框架和数据集。

Jun, 2021

本文提出了一种具有解缩先验的变分自编码器 VAE-DPRIOR，用于无或很少任务特定标记示例的特定任务自然语言生成。我们通过为隐藏内容空间引入条件先验和为隐藏标签空间引入另一个条件先验来执行分解表示学习，以应对跨任务的组合泛化，并展示了这些新型先验即使在先前的工作中没有特定正则化也能够分解表示。内在内容先验使得从训练过的任务的内容空间中直接采样多样化内容表示成为可能，并将它们与新任务的表示融合，以在低资源环境下生成语义多样化的文本。我们的广泛实验展示了我们的模型在连续零/少样本学习中数据增强和在少样本设置中文本风格转移方面的卓越性能。

Feb, 2022

通过使用变分自动编码器，监督潜在表示仅然可达到好的结果，然而基于对抗学习和互信息最小化的辅助目标可以提供额外的脱缰效果，以此来将否定，不确定性和内容的表示相分离。

Apr, 2022

使用可表征语法和语义规律的定义句类别训练变分自编码器，并在多个测试中展现其成功解耦表示效果，以及在定义建模中得到的改善。

Sep, 2022

通过将标准的高斯变分自编码器（VAE）替换为量身定制的分类变分自编码器，我们探究了离散潜变量空间与解耦表示之间的关系。我们展示了分类分布的基础网格结构可以减轻与多变量高斯分布相关的旋转不变性问题，并作为解耦表示的高效先验。我们提供了分析和经验证据表明，离散VAE在学习解耦表示方面的优势。此外，我们引入了第一个偏向于解耦表示的无监督模型选择策略。

Jul, 2023

本研究解决了解耦表示学习中的真相信息缺失问题，提出了一种通过离散变分自编码器（VAE）来实现解耦的新方法。研究表明，结合全局代码簿的标量量化和总相关优化项能够显著提升解耦效果与重构性能，FactorQVAE方法在两个解耦指标上优于以往的解耦方法，具有重要的应用潜力。

Sep, 2024