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

该论文指出只需要知道环境中有多少因素发生了变化，而不必了解哪些因素发生了变化，就足以学习到分离的表征，同时实验表明，这种弱监督方式足以在多个基准数据集上可靠地学习到分离的表征，并在多个任务上发挥作用，包括协变量漂移下的一般化、公平性和抽象推理。

Feb, 2020

通过有限的监督训练，结合图像描述符技术（CLIP），在真实图像数据中标注和区分不同的变化因素，从而实现图像的去操纵处理。

Jun, 2021

我们提出了一种有条件的生成模型，用于学习将标记的观察结果的隐藏变化因素分离并分解成互补代码，实验结果表明该方法能够推广到未见过的类别和内类别变异。

Nov, 2016

本文研究了如何使用自编码器模型来解决因素糾纏問題，並通過在圖像對和三元組之間施加約束來訓練它。在實驗中，我們證明了此模型可以成功地在多個數據集上轉移屬性，但也存在參照模糊的情況。

Nov, 2017

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

这篇论文通过引入共变量先验偏好，提出了一种名为 C-Disentanglement 的框架，用于识别因果生成因子，并在领域变化下取得了与各种 SOTA 基准方法相比具有竞争力的结果。

Oct, 2023

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

本文提出了一种基于多任务学习的有监督编码器，该编码器通过一个广泛的、多样化的有监督任务来学习一个共同的解缠表示，以从高维数据中恢复潜在因素的变化。该方法在多个真实情况下进行了验证，包括图像和文本数据等不同数据形式。

Apr, 2023

通过引入简单且有效的减法归纳偏差，条件于单个样本，我们提出了一种新颖且简单的架构，以减少信息泄漏，并展示了在生成和预测任务上相比多个强基准方法更先进的结果。

Jun, 2024