- DualContrast: 无监督分离内容和变换的隐式参数化
我们开发了一种名为 DualContrast 的新型自监督方法，专门用于解决与形状相关的图像数据集中的内容和变换的无监督分离问题。我们的广泛实验证明了 DualContrast 相对于现有的自监督和显式参数化方法的优越性。我们利用 Dual - ICML通过对比估计进行无模态顺序解缠样本和预测
本文提出了一种无监督序列解缠框架，它基于对矩乘自编码器或变分自编码器从下层模型生成、采样和比较实际分布的对比估计方法，而不需要外部信号、使用常见批量大小和来自潜在空间本身的样本。我们在视频、音频和时间序列基准上评估了我们的方法，取得了与现有 - ProtoVAE: 无监督解缠的原型网络
介绍了一种基于深度生成 VAE 模型和基于自我监督的深度度量学习 prototype 网络的方法，在无监督的情况下学习到可解释且区分的潜在因素表达式，实验结果表明了该方法在多个数据集上的表现优于现有方法。
- ICLRDAVA: 逆敌对变分自编码器解耦
介绍了一种名为 DAVA 的新型变分自编码器训练程序，该程序完全消除了超参数选择问题，发现了一种名为 PIPE 的无监督分离的必要条件，并证明了 PIPE 可以积极预测抽象推理中下游模型的性能。
- IJCAI面向序列数据的稳健无监督解缠方法 -- 以音乐音频为例研究
该论文提出了 TS-DSAE 模型，通过两阶段的训练框架，首先学习序列级先验分布，然后采用这些分布来规范模型，并促进辅助目标以促进解缠。该模型具有鲁棒性，适用于人工和真实世界的音乐音频数据集。
- ICLR通过判别权重生成建立物体空间的目标追踪
本文提出了一种利用交互学习物体特征的框架，并采用卷积超级网络对每个物体进行编码，以提高标签效率。
- ICML无自编码的无监督解缠的陷阱和未来方向
本文研究基于对比学习的正则化方法来实现大规模数据集的非监督式解缠表示学习，并分析了不同正则化方法的利弊与下游任务性能表现。
- 一幅图片胜过千言万语：朝着野外图像解缠趋势迈进
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。
- 重新思考内容和风格：探讨无监督去编码的偏差
本文介绍了一种基于假设的无监督的 C-S 解缠方法，该方法使用模型归纳偏差并为内容和样式分别分配不同的作用，以近似真实数据分布并实现图像重建，并在几个流行的数据集上进行了实验，验证了方法的有效性。
- EMNLP从上下文化单词表示中无监督地提取句法信息
本文讲述了如何通过自动生成语义不同但结果相似的句子组集来学习一种转换，以去除词法语义但保留结构信息，并证明这种方法在结构聚类方面的效果优于词汇语义聚类方法，最终在少样本解析任务中优于原始上下文化语言表示。
- ICMLDisCont：使用上下文向量实现自监督视觉属性解缕
本文提出了一个无监督自我监督框架 DisCont，通过利用图像的结构归纳偏差来解缠多个属性，结合最近对比学习范例的激增，我们的模型弥合了自我监督对比学习算法与无监督解缠之间的鸿沟，我们在四个基准数据集上定量和定性地评估了我们的方法的有效性。
- ICML通过交替解缠学习数据的离散和连续因子
本文提出一种新方法实现无监督离散和连续特征分离，利用 Beta-VAE 框架通过级联信息流方式最小化连续潜变量的总相关性，并通过分离离散特征的推理过程减轻编码器负担，最后在实验中显示其显著优于现有方法的分离得分和推理网络分类得分。
- AAAI超先验引导的无监督潜在表征分离
本研究提出了一种在深度生成模型中实现无监督的解缠结潜在表示的方法，通过在 VAE 的潜在空间中引入反 Wishart 先验来实现潜变量之间的统计独立性，能够在多个数据集上优于 beta-VAE 和与最先进的 FactorVAE 相竞争。