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

本文介绍了一种基于条件互信息的对抗学习方法，实现了在考虑属性相关性情况下，对数据因素进行有效分离的目的，提高了模型的鲁棒性。

Dec, 2021

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

本论文提出了一个灵活的弱监督多因素解缕（DisUnknown）框架，通过数据解缕使得已标记和未知因素均可被条件生成，并采用一个分两阶段的训练方法来解缕未知因素，并使用未知因素蒸馏来训练最终的生成器。我们在多个基准数据集上进行了定性和定量评估，并进一步将其应用于各种复杂数据集上的实际应用。

Sep, 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

本文通过对相关性因素的筛选以及使用对抗性训练提出了一种简单的解决数据因素去相关的方法，并展示了在视觉数据集和金融数据上的效用。

Sep, 2017

提出了一种分析多元表示如何解开基础生成因素的框架，通过部分信息分解方法分析多元表示中的信息共享并提出了新的分离度量，实验发现分离度量对纠缠反应正确，发现分离度量相似的自编码器模型在纠缠方面有不同的特征，需要采用不同的策略来获得分离表示。

Aug, 2021

本论文研究多要素解缠的深度学习方法，结合 Koopman 自编码器，提出了一种基于谱损失函数的结构 Koopman 矩阵及解缠算法，支持多静态要素交换，并在标准基准测试中显着提高了解缠效果。

Mar, 2023

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