成科揚，孟春運，王文杉，師文喜，3，詹永照

（1.江蘇大學(xué)計算機(jī)科學(xué)與通信工程學(xué)院，江蘇鎮(zhèn)江 212013；2.社會安全風(fēng)險感知與防控大數(shù)據(jù)應(yīng)用國家工程實驗室（中國電子科學(xué)研究院），北京 100041；3.新疆聯(lián)海創(chuàng)智信息科技有限公司，烏魯木齊 830011）

（?通信作者電子郵箱kycheng@ujs.edu.cn）

0 引言

表征是機(jī)器學(xué)習(xí)中最基本的問題之一，它涉及視覺、語音識別、自然語言處理、強(qiáng)化學(xué)習(xí)和圖形學(xué)等多個領(lǐng)域。然而，什么才是一個好的表征是一個存在爭議性的問題。目前，表征有兩種形式：一種是設(shè)計出來的，另一種是從數(shù)據(jù)中學(xué)習(xí)的。設(shè)計的表征可以完美地滿足結(jié)構(gòu)化復(fù)用和可解釋性的需求；而學(xué)習(xí)的表征不需要專業(yè)知識，幾乎在每一個具有足夠數(shù)據(jù)的任務(wù)上都優(yōu)于設(shè)計表征的功能，并且學(xué)習(xí)表征的特點取決于它們的預(yù)期用途。

近年來，機(jī)器學(xué)習(xí)取得了顯著的進(jìn)展，特別是在監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)方面。然而，許多性能優(yōu)秀的算法常常存在數(shù)據(jù)效率低下的問題，這些算法的表現(xiàn)往往缺乏生物智能所特有的魯棒性和泛化性。為解決單個任務(wù)的上述缺陷，應(yīng)該著力于解決主要特征對該任務(wù)適用性的問題。從實踐角度來看，為每一項這樣的任務(wù)去學(xué)習(xí)單獨的表征需要重復(fù)設(shè)計模型而且浪費大量的時間；從理論角度來看，具有可分解結(jié)構(gòu)、與不同部分相關(guān)聯(lián)的一致語義的表征更有可能推廣到新任務(wù)。在深度學(xué)習(xí)領(lǐng)域，已經(jīng)進(jìn)行了相當(dāng)一段時間的研究來學(xué)習(xí)數(shù)據(jù)中的變差因素，通常被稱為解耦表征學(xué)習(xí)。這一術(shù)語雖然沒有規(guī)范的定義，但通常采用2013年Bengio等［1］的定義：一種表征，其中一個維度的變化對應(yīng)于一個變化因子的變化，而其他因子相對不變。通俗來講，解耦表征學(xué)習(xí)是對影響數(shù)據(jù)形態(tài)的關(guān)鍵因素進(jìn)行建模，使得某一關(guān)鍵因素的變化僅僅引起數(shù)據(jù)在某項特征上的變化，而其他的特征不受影響，在模型可解釋性、對象生成［2］和操作以及零樣本學(xué)習(xí)等問題上有著巨大優(yōu)勢。

從用戶的角度來看，解耦表征學(xué)習(xí)在圖像處理方面具有強(qiáng)大優(yōu)勢。相較于傳統(tǒng)的美圖技術(shù)，解耦表征在此方面的功能更加豐富，生成的照片比基于生成對抗模型的應(yīng)用更加逼真。從開發(fā)人員的角度來看，解耦表征在可解釋性方面存在顯著優(yōu)勢，使得基于此技術(shù)的應(yīng)用場景更加廣闊。如在醫(yī)療、金融領(lǐng)域，深度學(xué)習(xí)因不具備可解釋性的緣故，一旦結(jié)果出現(xiàn)誤差（醫(yī)療事故），無法解釋誤差的來源，以及金融部門對不透明模型的廣泛應(yīng)用可能導(dǎo)致的缺乏解釋性和可審計性表示擔(dān)憂。

由此可見，解耦表征學(xué)習(xí)研究意義重大，使深度學(xué)習(xí)這樣的黑盒實驗變得具有可解釋性，研究者可以清楚地知道每一層特征提取的具體含義以及每一個決策背后的邏輯推理。本文將從解耦表征學(xué)習(xí)的歷史與優(yōu)勢著手，并對解耦表征學(xué)習(xí)的研究現(xiàn)狀以及應(yīng)用進(jìn)行歸納總結(jié)，同時對解耦表征學(xué)習(xí)的前景作出展望。

1 解耦表征學(xué)習(xí)研究的歷史與優(yōu)勢

1.1 解耦表征研究探索期

1.1.1 解耦表征研究的起源

隨著心理學(xué)和人工智能領(lǐng)域的蓬勃發(fā)展，研究人員試圖將這樣一種觀點正式化，即世界上不同的變差因素可以從原始的感知輸入中恢復(fù)。在早期視覺研究中認(rèn)為某些變換會使對象特性不變，且這樣的變換都是相互獨立的，并隨著這些變換的進(jìn)行，視覺系統(tǒng)如何形成不變的表征對于理解感知至關(guān)重要。例如1979 年J.J.Gibson 所寫的《視覺感知的生態(tài)方法》［3］一書中有關(guān)于形成不變表征方面的介紹。繼Gibson 的研究之后，心理學(xué)家立刻就注意到了群論的數(shù)學(xué)框架，將其作為一種把不變量和對稱性概念正式化的方法［4］。

許多關(guān)于感知和表征學(xué)習(xí)的研究，特別是在物體識別方面，都遵循Gibson 等［3］所強(qiáng)調(diào)的姿勢或光照等特征，這些特征變換具有獨立性［5-8］，在此框架中，變換被視為要丟棄的變量。然而，其他研究人員提倡一種表征學(xué)習(xí)的方法來保留這些變換的信息［9］。在感知的等價變換方法中，特征的一些子集對于某些特定的變換可能是不變的，但總體表征仍保留所有信息。特別是在無監(jiān)督的環(huán)境中，這些表征可能用于許多不同的任務(wù)，因此等價變換的感知方法似乎更有效。解耦表征學(xué)習(xí)的工作就屬于這一研究范疇，標(biāo)志著解耦表征學(xué)習(xí)的起源。

1.1.2 不變特征對解耦表征的推動

在許多機(jī)器學(xué)習(xí)任務(wù)中，數(shù)據(jù)來源于涉及多因素復(fù)雜交互的生成過程。單獨來看，每個因素都是數(shù)據(jù)可變性的一個來源。各個因素的交互共同帶來了豐富的結(jié)構(gòu)特征。為了應(yīng)對這些變化因素，在機(jī)器學(xué)習(xí)和諸如計算機(jī)視覺的應(yīng)用領(lǐng)域中出現(xiàn)了一種研究熱潮，即轉(zhuǎn)向研究數(shù)據(jù)變化源中保持不變的手工工程特性集。這股熱潮推動了LeCun 等［10］在1989 年提出卷積網(wǎng)絡(luò)結(jié)構(gòu)中特征池化階段的表征和2009 年Wang等［11］基于大規(guī)模低級別特征池化表征的發(fā)展。這些方法都源于一個想法，即通過匯集一組簡單的濾波響應(yīng)來歸納數(shù)據(jù)的不變特征。2011年Courville等［12］從無監(jiān)督數(shù)據(jù)中弄清了哪些過濾器可以合并在一起，從而提取了匯集特征不變的方差方向。1996 年Kohonen［13］提 出 了ASSOM（Adaptive-Subspace Self-Organizing Map）模型，首次確立了這樣的原則，即不變特征實際上可以通過無監(jiān)督學(xué)習(xí)的方式從特征的子空間中產(chǎn)生。從那時起，相同的基本策略出現(xiàn)在一些不同的模型和學(xué)習(xí)范式中，包括2000 年Hyv?rinen 等［14］提出的拓?fù)洫毩⒊煞址治觥?009 年Kavukcuoglu 等［15］提出的不變預(yù)測稀疏分解以及2010 年Ranzato 等［16］提出的基于玻爾茲曼機(jī)的方法。在每種情況下，基本策略都是通過使用一個變量來將過濾器分組在一起，該變量為組中所有元素的激活提供門控。對于不變特征的研究推動了解耦表征的發(fā)展，并為接下來變分自編碼器（Variational Auto-Encoder，VAE）在解耦表征中的應(yīng)用提供了良好的理論基礎(chǔ)。

1.2 解耦表征對機(jī)器學(xué)習(xí)的影響

解耦表征學(xué)習(xí)實際上是將傳統(tǒng)數(shù)學(xué)建模和機(jī)器學(xué)習(xí)建模的優(yōu)缺點相結(jié)合的方法。傳統(tǒng)數(shù)學(xué)建模方法是數(shù)學(xué)家們基于專家經(jīng)驗和對現(xiàn)實世界的理解進(jìn)行建模，而機(jī)器學(xué)習(xí)建模則是另一種完全不同的建模方式。機(jī)器學(xué)習(xí)算法以一種更加隱蔽的方式來描述一些客觀事實，盡管人類并不能完全理解模型的描述過程，但在大多數(shù)情況下，機(jī)器學(xué)習(xí)模型要比人類專家構(gòu)建的數(shù)學(xué)模型更加精確。更重要的是，在諸多應(yīng)用領(lǐng)域（如醫(yī)療、金融、軍事等）［17］，機(jī)器學(xué)習(xí)算法尤其是深度學(xué)習(xí)模型并不能滿足當(dāng)下需要清晰且易于理解的決策需求。

深度學(xué)習(xí)技術(shù)的發(fā)展在許多領(lǐng)域都對神經(jīng)網(wǎng)絡(luò)的應(yīng)用進(jìn)行了嘗試。在一些重要的領(lǐng)域，使用神經(jīng)網(wǎng)絡(luò)確實是合理的，并且獲得了較好的應(yīng)用效果，包括計算機(jī)視覺、自然語言處理、語音分析和信號處理等［18-21］。在上述應(yīng)用中，深度學(xué)習(xí)方法都是利用線性和非線性轉(zhuǎn)換對復(fù)雜的數(shù)據(jù)進(jìn)行自動特征提取，并將特征表示為“向量”（vector），這一過程一般也稱為“嵌入”（embedding）。之后，神經(jīng)網(wǎng)絡(luò)對這些向量進(jìn)行運算，并完成相應(yīng)的分類或回歸任務(wù)。從特征提取和準(zhǔn)確度來看，這種“嵌入”的方法非常有效，但在許多方面也存在不足，如：

1）可解釋性：嵌入所使用的N維向量無法對模型分類的原理和過程進(jìn)行很好的解釋，只有通過逆向工程才能找到輸入數(shù)據(jù)中對模型分類影響較大的內(nèi)容。

2）數(shù)據(jù)需求量龐大：如果只有10～100 個樣本，深度學(xué)習(xí)無法使用［22-23］。

3）無監(jiān)督學(xué)習(xí)：大多數(shù)深度學(xué)習(xí)模型都需要有標(biāo)簽的訓(xùn)練數(shù)據(jù)。

4）零樣本學(xué)習(xí)：這是一個很關(guān)鍵的問題，基于一個數(shù)據(jù)集所訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)，若不經(jīng)過重新訓(xùn)練，很難直接應(yīng)用在另一個數(shù)據(jù)集上。

5）對象生成：除了生成對抗網(wǎng)絡(luò)（Generative Adversarial Network，GAN）以外，其他模型都很難生成一個真實的對象［24-27］。

6）對象操作：難以通過嵌入調(diào)整輸入對象的具體屬性。

7）理論基礎(chǔ)：雖然目前已經(jīng)掌握了比較通用的逼近理論，但還遠(yuǎn)遠(yuǎn)不夠。

針對這些棘手的問題，數(shù)學(xué)建模恰好可以解決。在幾十年以前，大多數(shù)數(shù)學(xué)家都沒有遇到過上述問題，因為他們主要關(guān)注數(shù)學(xué)建模（mathematical modeling），并通過數(shù)學(xué)抽象來描述現(xiàn)實世界中的對象和過程，如使用分布、公式和各種各樣的方程式。在這個過程中，數(shù)學(xué)家定義了常微分方程（Ordinary Differential Equation，ODE）。本文通過指出深度學(xué)習(xí)存在的問題，對數(shù)學(xué)建模的特點進(jìn)行了分析。需要注意的是，“嵌入”代表數(shù)學(xué)模型的參數(shù)，如微分方程的自由度集合。對于機(jī)器學(xué)習(xí)的不足，相應(yīng)的數(shù)學(xué)建模在上述幾個方面都得到了有效的解決，如：

1）可解釋性：每個數(shù)學(xué)模型都是基于科學(xué)家對客觀事物的描述而建立的，建模過程包含數(shù)學(xué)家對客觀事物的描述動機(jī)和深入理解。

2）數(shù)據(jù)需求量：大多數(shù)數(shù)學(xué)建模上的突破并不需要基于巨大的數(shù)據(jù)集進(jìn)行。

3）無監(jiān)督學(xué)習(xí)：對數(shù)學(xué)建模來說也不適用。

4）零樣本學(xué)習(xí)：一些隨機(jī)微分方程（如幾何布朗運動）適用于金融、生物或物理領(lǐng)域，只需要對參數(shù)進(jìn)行重新命名。

5）對象生成：不受限制，對參數(shù)進(jìn)行采樣即可。

6）對象操作：不受限制，對參數(shù)進(jìn)行操作即可。

7）理論基礎(chǔ)：百年數(shù)學(xué)的奠基。

如果在處理復(fù)雜數(shù)據(jù)時把表現(xiàn)較好的神經(jīng)網(wǎng)絡(luò)和人工建模方法結(jié)合起來，可解釋性、生成和操作對象的能力、無監(jiān)督特征學(xué)習(xí)和零樣本學(xué)習(xí)的問題，都可以在一定程度上得到解決。對于微分方程和其他人工建模方法來說，圖像處理很難進(jìn)行，但通過和深度學(xué)習(xí)進(jìn)行結(jié)合，上述模型允許我們進(jìn)行對象的生成和操作、增強(qiáng)模型的可解釋性［28-30］，最重要的是，該模型可以在其他數(shù)據(jù)集上完成相同的工作。但該模型也有一些不足之處，如建模過程不是完全無監(jiān)督的，目前半監(jiān)督、自監(jiān)督的方法很好地彌補(bǔ)了這一短板［31-33］。

下面本文將著重介紹分析VAE 這個結(jié)合了傳統(tǒng)數(shù)學(xué)建模和機(jī)器學(xué)習(xí)優(yōu)缺點的模型來實現(xiàn)解耦表征，也就是讓嵌入中的每個元素對應(yīng)一個單獨的影響因素，并能夠?qū)⒃撉度胗糜诜诸?、生成和零樣本學(xué)習(xí)。

2 解耦表征學(xué)習(xí)的研究方向與現(xiàn)狀分析

2.1 變差因素方面的研究現(xiàn)狀

解耦表征學(xué)習(xí)不同于分類等其他機(jī)器學(xué)習(xí)任務(wù)，其難點之一是難以建立明確的目標(biāo)或訓(xùn)練目標(biāo)。在分類任務(wù)的情況下，目標(biāo)是顯而易見的，即把訓(xùn)練數(shù)據(jù)集上的錯誤分類數(shù)量降至最低。在解耦表征學(xué)習(xí)的情況下，其目標(biāo)與最終目標(biāo)相去甚遠(yuǎn)，最終目標(biāo)通常是學(xué)習(xí)分類器或其他預(yù)測器，而解耦表征學(xué)習(xí)的目標(biāo)是一種解開變化的潛在因素的表征；同時另一個值得考慮的問題是如何將其轉(zhuǎn)化為合適的訓(xùn)練標(biāo)準(zhǔn)。下面從變差因素這個研究方向進(jìn)行歸納總結(jié)：一方面，這屬于解耦表征學(xué)習(xí)的主要研究方向，從中可以了解到目前的研究現(xiàn)狀；另一方面，也是解耦表征學(xué)習(xí)的主要應(yīng)用，在有限的數(shù)據(jù)資源中減少模型的訓(xùn)練次數(shù)并獲得更大的泛化效果。

2.1.1 基于生成耦合解開變差因素的研究

2011 年Courville 等［34］提出了釘板約束的玻爾茲曼機(jī)（spike-and-slab Restricted Boltzmann Machine，ssRBM）被證明是一種很有前途的自然圖像數(shù)據(jù)模型。在這里，為了學(xué)習(xí)如何理清數(shù)據(jù)中明顯的變差因素，Courville 等將ssRBM 推廣到多個二元隱變量的高階相互作用中。從生成角度來看，二元隱變量的乘法相互作用模擬了產(chǎn)生數(shù)據(jù)因素的耦合。相反，模型中的推理可以被視為試圖將各種相互作用的因素歸因于它們對數(shù)據(jù)的綜合描述，從而在效果上解耦變差因素。這種方法只依賴模型參數(shù)的無監(jiān)督近似最大似然學(xué)習(xí)，因此在定義要解耦的因素時不需要使用任何標(biāo)簽信息。

基于生成耦合解開變差因素的方法源于釘板約束的玻爾茲曼機(jī)，并將其推廣到多個潛在變量的高階相互作用中［35］。從生成的角度看，乘法的相互作用模擬了變差因素的耦合。與以往的潛在因素分析方法不同，基于生成耦合解開變差因素的方法不使用潛在因素的監(jiān)督信息進(jìn)行訓(xùn)練，例如考慮面部表情識別的目的。一方面，具有相同面部表情的不同個體的兩個圖像可能會使圖像在像素空間中被很好地分開；另一方面，顯示不同表情的相同個體的兩個圖像很可能在像素空間中被放置在非常接近的位置。重要的是，這些相互作用的因素通常不會組合成簡單的疊加，通過選擇適當(dāng)?shù)臄?shù)據(jù)仿射投影就可以很容易地將其分開，這些因素往往看起來與原始數(shù)據(jù)緊密相關(guān)，這其實是一種基于生成耦合解開變差因素的研究方法。

基于生成耦合解開變差因素的進(jìn)一步研究是2011 年Hinton等［36］提出通過學(xué)習(xí)提取與姿勢參數(shù)相關(guān)聯(lián)的特征來分離變差因素，其中姿勢參數(shù)的變化在訓(xùn)練時是已知的。該模型也與2010 年Memisevic 等［37］提出的高階玻爾茲曼機(jī)用作圖像中的空間變換模型密切相關(guān)。雖然這兩種模型有許多不同之處，最顯著的區(qū)別是前者使用了潛在變量的乘法交互作用。雖然在玻爾茲曼能量函數(shù)中包含了更高階的相互作用，但只在觀察到的變量之間使用，極大地簡化了推理和學(xué)習(xí)過程。如上所述，使用基于生成耦合解開變差因素的方法可以分離出相互作用的潛在變量組。以這種方式保持交互的局部性，是僅使用無監(jiān)督數(shù)據(jù)成功學(xué)習(xí)的關(guān)鍵組成部分。

2.1.2 基于流形相互作用解耦變差因素的研究

2000 年Tenenbaum 等［38］提出流形學(xué)習(xí)方法，通過學(xué)習(xí)低維結(jié)構(gòu)或嵌入實現(xiàn)數(shù)據(jù)建?！，F(xiàn)有的流形學(xué)習(xí)方法可以從單個人的人臉圖像中學(xué)習(xí)本質(zhì)上的低維結(jié)構(gòu)，如視點流形，但要對復(fù)雜的高維流形建模，如數(shù)百萬人的人臉圖像空間，則變得具有挑戰(zhàn)性。然而，正如2011 年Rifai 等［39］所建議的那樣，深度學(xué)習(xí)已經(jīng)證明在學(xué)習(xí)高維數(shù)據(jù)流形方面是有效的，但是對多個變差因素及其相互作用的流形進(jìn)行聯(lián)合建模仍然是一個挑戰(zhàn)。有幾個相關(guān)的工作使用了多個隱變量的高階交互作用。例如，2000 年Tenenbaum 等［38］提出的雙線性模型用來分離面部圖像和語音信號中的風(fēng)格和內(nèi)容；2013年Tang等［40］提出的張量分析器，通過引入因子加載張量來對多組潛在因子單元的交互作用進(jìn)行建模，從而擴(kuò)展了因子分析，并被應(yīng)用于光照和臉部形態(tài)的建模。

一個能夠具有解耦變差因素的生成模型應(yīng)該能夠保持遍歷一個因素流形的同時固定其他因素的狀態(tài)［41］。例如對于人臉圖像生成模型，在固定身份的同時可以生成不同姿勢或表情的圖片，并且還具備在子流形內(nèi)插值，將固定的姿勢或表情遷移給不同身份的人。2013 年Bengio 等［42］指出，與像素或單層模型等淺層表征相比，跨越深層表征的線性插值可以更接近圖像流形。當(dāng)輸入圖像是由多個變差因素生成時，它們往往位于一個復(fù)雜的流形上，這使得學(xué)習(xí)有用的表征具有較高的難度。通過將每個變差因素視為自身形成一個子流形來處理這個問題，并對各因素之間的聯(lián)合作用進(jìn)行建模。如圖1所示，從不同方位角（固定高度）拍攝的單個人的人臉圖像時，圖像的軌跡將形成環(huán)形。

圖1 面部圖像中建模姿勢和身份變化的方法Fig.1 Approach for modeling pose and identity variations in face images

許多潛在的變差因素相互作用可產(chǎn)生視覺數(shù)據(jù)，因此，可以學(xué)習(xí)相關(guān)變差因素的流形坐標(biāo)，并對它們的聯(lián)合作用進(jìn)行建?！，F(xiàn)有的許多特征學(xué)習(xí)算法都集中在單個任務(wù)上，提取對任務(wù)的相關(guān)因素敏感、對其他因素不變的特征。然而，只提取一組不變特征的模型并沒有很好地利用潛在因素之間的關(guān)系。為了解決這個問題，2014年Reed等［43］提出了一種高階玻爾茲曼機(jī)，它結(jié)合了隱藏單元組之間的乘法交互作用，每個隱藏單元組都學(xué)習(xí)編碼不同的變差因素。此外，Reed 等還提出了基于通信的訓(xùn)練策略模型，該模型在多倫多人臉數(shù)據(jù)庫上實現(xiàn)了高效的情感識別和人臉驗證性能。

2.1.3 運用對抗性訓(xùn)練解耦深層表征變差因素的研究

2009 年Bengio 等［44］認(rèn)為理解感官數(shù)據(jù)的一個根本挑戰(zhàn)是學(xué)會解開潛在的變差因素。例如，生成語音記錄所涉及的變差因素包括說話人的屬性，如性別、年齡或口音，以及語調(diào)和正在說話的內(nèi)容。類似地，圖像的潛在變差因素包括圖像的物理表現(xiàn)和觀察條件。解開這些隱藏因素的困難在于多數(shù)情況下，每一個因素都會以不同的、不可預(yù)測的方式影響觀察，很難有人可以將接觸到這些影響的性質(zhì)明確給出標(biāo)簽數(shù)據(jù)。通常情況下，收集數(shù)據(jù)集的目的是進(jìn)一步解決某個有監(jiān)督的學(xué)習(xí)任務(wù)，且這種類型的任務(wù)學(xué)習(xí)完全是由標(biāo)簽驅(qū)動的。對抗性訓(xùn)練解耦深層表征是讓學(xué)習(xí)到的表征對手頭沒有提供信息任務(wù)的變差因素保持不變。2019 年Li 等［45］提出了一種名為相似性限制的生成式對抗網(wǎng)絡(luò)（Similarity Constraint Generative Adversarial Network，SCGAN），它能夠以完全無人監(jiān)督的方式學(xué)習(xí)解耦表征。他們的靈感來自平滑度假設(shè)以及對圖像內(nèi)容和表征的假設(shè)，并設(shè)計了有效的相似性約束。SCGAN 可以通過在條件和合成圖像之間添加相似度約束來解耦出具有可解釋性的表征。實際上，相似性約束是作為指導(dǎo)生成網(wǎng)絡(luò)來理解基于條件表征差異的一種監(jiān)督。SCGAN成功區(qū)分了許多數(shù)據(jù)集的不同表征。雖然最近的監(jiān)督學(xué)習(xí)方法取得了巨大的成功，但它們是以放棄解決其他相關(guān)任務(wù)的可復(fù)用性為代價的。

許多其他的應(yīng)用需要使用生成模型，這些生成模型能夠合成新的實例，并將某些關(guān)鍵的變差因素保持恒定。與分類不同，生成式建模需要保留所有變差因素。但對于許多任務(wù)來說，僅僅保留這些因素是不夠的。例如，在語音合成中將一個人的對話轉(zhuǎn)換成另一個人的聲音；以及圖像處理中的逆問題，如去噪和超分辨率?；谏鲜隹紤]，2016 年Mathieu 等［46］引入了一個條件生成模型來學(xué)習(xí)如何從一組標(biāo)記的觀測中解開隱藏的變差因素，并將它們分離成互補(bǔ)碼。一份代碼總結(jié)了與標(biāo)簽相關(guān)的特定變差因素，另一份總結(jié)了剩余的未指明的可變性。在訓(xùn)練期間，唯一可用的監(jiān)督來自區(qū)分同一類別的不同觀察能力。這種觀察力包括在不同視角捕獲的一組標(biāo)記對象的圖像，或者口述多個短語的一組說話者的記錄。在這兩種情況下，類內(nèi)差異是未指明的變差因素的來源：每個對象在多個視角被觀察，每個說話者口述多個短語。當(dāng)進(jìn)行強(qiáng)有力的監(jiān)督時，將特定因素與未指定因素區(qū)分開也變得更加簡單快捷。然而，在數(shù)據(jù)采集不受嚴(yán)格控制的情況下，未指明因素的標(biāo)簽通常是不可用的，所以通過將深度卷積自編碼器和另一種形式的對抗性訓(xùn)練相結(jié)合的方式來解決在更一般情況中的解耦問題。

2.2 變分自編碼器變體方面的研究現(xiàn)狀

目前，先進(jìn)的解耦學(xué)習(xí)很大程度上基于VAE：假定隱空間（latent space）特定的先驗概率P(z)，然后使用一個深度神經(jīng)網(wǎng)絡(luò)參數(shù)化條件概率P(x|z)。類似的，分布P(x|z)是使用變分分布Q(z|x)近似得到，該變分分布也是由深度神經(jīng)網(wǎng)絡(luò)參數(shù)化得到的。通過最小化負(fù)對數(shù)相似度的近似來訓(xùn)練模型。r(x)的表示通常取近似后驗分布Q(z|x)的均值。為了獲得更好的解耦性，幾種不同的VAE 模型被提出，但這些方法的共同點都是試圖分解聚合后驗∫xQ(z|x)P(x)dx，這可以幫助解耦［47-48］。

生成模型能否學(xué)習(xí)到解耦表征的常見標(biāo)準(zhǔn)是能否將其數(shù)據(jù)集的形式和內(nèi)容作為獨立變差因素來進(jìn)行學(xué)習(xí)。為了利用VAE 實現(xiàn)這種解耦，標(biāo)簽信息通常以完全監(jiān)督或半監(jiān)督的方式提供，然而，變分目標(biāo)不足以解釋所觀察到的形式及內(nèi)容的解耦，因此，通過不同形式的自編碼器的變種可以有效解決這種問題［49］。下面將介紹一些自編碼器的變種在解耦表征方面的研究。

2.2.1 代表性的變分自編碼器變體

在無監(jiān)督的情況下學(xué)習(xí)解耦表征是有難度的。分離的變量通常被認(rèn)為包含可解釋的語義信息和獨立作用于生成過程的組合。與主成分分析（Principal Component Analysis，PCA）類似，一方面自編碼器最初被視為一種降維技術(shù)，因而在使用上有一定瓶頸；另一方面，稀疏編碼和限制玻爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）方法的成功使用傾向于支持完整表征，這可以允許自編碼器簡單地復(fù)制特征中的輸入，具有完美的重構(gòu)。在此基礎(chǔ)上，2013年，Kingma 等［50］提出了VAE，該模型還能夠捕捉到圖像的結(jié)構(gòu)變化（傾斜角度、圈的位置、形狀變化、表情變化等）。2016年Higgins等［51］提出的β-VAE 是一種無監(jiān)督視覺解耦表征學(xué)習(xí)模型，它是對VAE 目標(biāo)函數(shù)的修改，是為了了解圖像x及其潛在生成因子z聯(lián)合分布的一種生成方法。β-VAE 在VAE 目標(biāo)上增加了一個額外的超參數(shù)β，這限制了潛在瓶頸的有效編碼能力，并鼓勵了潛在表征的更多因式分解。β-VAE 所學(xué)習(xí)的解耦表征對于學(xué)習(xí)抽象視覺概念層次［52］、提高強(qiáng)化學(xué)習(xí)策略的遷移性能（包括機(jī)器人學(xué)中模擬現(xiàn)實遷移）具有重要意義。β-VAE 有助于將解耦因子學(xué)習(xí)擴(kuò)展到更復(fù)雜的數(shù)據(jù)集上。特別是與標(biāo)準(zhǔn)的VAE相比，β-VAE 學(xué)習(xí)的因子表征可以與人類對數(shù)據(jù)生成因子的直覺軸對齊。不過，β-VAE也有其局限性，如重建保真度比標(biāo)準(zhǔn)VAE 差。這是由修改后的訓(xùn)練目標(biāo)引入的權(quán)重導(dǎo)致的，該目標(biāo)函數(shù)變相地降低了重建損失的權(quán)重，以便鼓勵在潛在表征中解耦。與標(biāo)準(zhǔn)的VAE目標(biāo)相比，Higgins等［53］對β-VAE學(xué)習(xí)視覺數(shù)據(jù)生成因素的軸對齊解耦表征的原因有了新的見解。特別是鼓勵β-VAE 找到一組代表性軸，這些軸能夠更好地保持?jǐn)?shù)據(jù)點的局部性，并且與提高數(shù)據(jù)記錄可能性的變差因素保持一致。該方法通過允許先驗的平均KL（Kullback-Leibler）散度從零逐漸增加，而不是原始β-VAE 目標(biāo)中固定的β加權(quán)KL 項，因此使得訓(xùn)練過程中可以控制潛在后驗編碼容量的增加。結(jié)果表明，與原始公式中獲得的結(jié)果相比，這提高了解耦表征的魯棒性和更好的重建保真度。2018 年Burgess等［54］對VAE 中的解耦表征提出了新的理論評估方法，從速率失真理論的角度展示了當(dāng)修改證據(jù)下界優(yōu)化β-VAE 時，隨著訓(xùn)練的進(jìn)行，出現(xiàn)了與數(shù)據(jù)變化的潛在生成因素相一致的表征的情況?；谶@些認(rèn)識，對β-VAE 的訓(xùn)練機(jī)制提出了一種改進(jìn)方案，即在訓(xùn)練過程中逐步增加潛碼的信息容量。這種修改加強(qiáng)了β-VAE 中解耦表征的魯棒性，而不需要過多考慮先前在重建精度方面的權(quán)衡。

學(xué)習(xí)數(shù)據(jù)語義是人工智能的一個重要分支。這種表征方式不僅對標(biāo)準(zhǔn)下行任務(wù)有用，如監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，還對遷移學(xué)習(xí)和zero-shot學(xué)習(xí)這種人類勝于機(jī)器的學(xué)習(xí)有用。在深度學(xué)習(xí)領(lǐng)域，科研人員在數(shù)據(jù)的變差因素方面付出了艱苦努力。實際上，假設(shè)數(shù)據(jù)從一個有著固定數(shù)量的變差因素中生成，在集中處理圖像數(shù)據(jù)的過程中，其變量中因素的影響更容易可視化。使用生成模型表明了在圖像中學(xué)習(xí)解耦表征的巨大希望。2018 年Kim 等［55］定義并解決了對獨立變差因素產(chǎn)生的數(shù)據(jù)進(jìn)行解耦表征學(xué)習(xí)的問題，并提出了FactorVAE。算法通過激勵表征的分布，使之成為因式，并在整個維度中獨立。FactorVAE 改進(jìn)了β-VAE，在解耦和重構(gòu)質(zhì)量之間提供了更好的折中，并且引入了一種常用的解耦度量。圖2 是FactorVAE 的架構(gòu)，即一個可變的自動編碼器，階乘鼓勵代碼的分布（encouraging the code distribution to be factorial）。圖2上方是一個帶有卷積編碼器和解碼器VAE，下方是一個多層感知機(jī)（Multi-Layer Perceptron，MLP）分類器，即判別器，它是用來區(qū)分輸入進(jìn)來的是邊緣碼分布還是邊長的乘積。

圖2 FactorVAE的架構(gòu)Fig.2 Architecture of FactorVAE

在VAE 中，解耦就會導(dǎo)致重構(gòu)不是很好，F(xiàn)actorVAE 希望可以做到在不降低重構(gòu)質(zhì)量的情況下，得到較好的解耦效果。導(dǎo)致VAE 解耦效果不佳主要歸因于其KL 散度分解完包含兩個函數(shù)，即I(x；z)和KL(q(z)‖p(z))，前者互信息是指z中包含多少x的信息，后者是讓q(z)與p(z)接近一點，由于p(z)各向同性的性質(zhì)，q(z)向p(z)靠近會導(dǎo)致z的各維度之間也是獨立的，這就是FactorVAE 想要達(dá)到的目的；所以在β-VAE 里面直接對兩項一起懲罰會導(dǎo)致解耦效果變好，而重構(gòu)效果就會下降，因此FactorVAE 希望將其分開。最后，F(xiàn)actorVAE 提出使用總相關(guān)懲罰系數(shù)（Total Correlation Penalty，TCP），就是在傳統(tǒng)VAE 的下界再加一TC 項，它可以促進(jìn)z的每個維度之間盡可能獨立。

在過去的幾年中，在利用生成模型解耦潛在表示方面取得了重要進(jìn)展，其中兩種主要方法是GAN 和VAE。但值得注意的是，標(biāo)準(zhǔn)的自編碼器和緊密相關(guān)的結(jié)構(gòu)模型仍然很流行，因為它們易于訓(xùn)練并且可以適應(yīng)不同的任務(wù)。所以引出了一個有趣的問題：能否讓自編碼器在保持其良好性能的同時實現(xiàn)優(yōu)秀的解耦能力。2020 年P(guān)atacchiola 等［56］提出了新模型Y-AutoEncoder（Y-AE）來解決了上述的問題。Y-AE 的結(jié)構(gòu)將表征形式分為隱性和顯性兩個部分：隱性部分類似于AE的輸出，顯性部分與訓(xùn)練集中的標(biāo)簽密切相關(guān)。通過在解碼和重新編碼之前將編碼器的輸出分成兩條路徑（形成Y 形），在潛在空間中將這兩部分分開，然后施加多種損失，例如重建損失，以及隱性和顯性部分之間依賴性的損失。從各個方面的實驗結(jié)果來看，例如樣式和內(nèi)容的分離、圖像到圖像的轉(zhuǎn)換等都有顯著的提升。

2.2.2 不同解耦度量的側(cè)重

不同的解耦模型針對不同的下游任務(wù)會導(dǎo)致各個模型解耦性能的差異。雖然對解耦表征希望有一個全面、統(tǒng)一的評估，但還沒有一個單一、被普遍接受的定義。一般說來，如果不是完整的基本事實生成模型的話，所有這些方法都假設(shè)它們可以獲得基本事實因素。在以下內(nèi)容中，將簡要回顧在研究中考慮的解耦度量。

2016年Higgins等［57］提出了β-VAE度量，建議在基本生成模型常數(shù)中固定隨機(jī)變差因素，采樣兩個小批次的觀測樣本；然后，利用線性分類器的精度來表示模型的解耦性能，該線性分類器基于兩個小批次中表征向量之間的平均差值來預(yù)測固定因子的指數(shù)。隨后2018 年Kim 等［55］提出了FactorVAE 度量，通過使用多數(shù)投票分類器來解決該度量的幾個問題，該分類器基于具有最小方差的表征向量的索引來預(yù)測固定基礎(chǔ)事實因子的索引。同年Chen 等［58］提出了互信息間隔（Mutual Information Gap，MIG），即具有最高互信息的表征因子和次高互信息的表征因子之間的歸一化均方誤差，并認(rèn)為β-VAE 度量和FactorVAE 度量并不具備一般性，因為它們依賴于一些超參數(shù)。Chen 等比較表征中的每個基本事實因子和其他因子的成對互信息，然后考慮其中具有最高互信息的兩個因子。2018 年Ridgeway 等［59］提出了應(yīng)該考慮表征的兩個不同性質(zhì)，即模塊性和顯性。在模表征中，表征出來的每個維度至多取決于單個變差因素；在顯式表征中，變差因數(shù)的值很容易從模表征中預(yù)測。Ridgeway等提出用模表征的互信息間隔來衡量模數(shù)。在測量顯性時，利用一對邏輯回歸分類器的ROC-AUC（Receiver Operating Characteristic-Area Under Curve）來預(yù)測變差因素。2019 年Kumar 等［60］提出了分離屬性可預(yù)測性（Separated Attribute Predictability，SAP）分?jǐn)?shù)，即從學(xué)習(xí)表征的每個維度預(yù)測因子值中計算線性回歸的R2 分?jǐn)?shù)（決定系數(shù)）。對于離散數(shù)據(jù)的情況，他們建議訓(xùn)練分類器。SAP分?jǐn)?shù)是每個因素的兩個最具預(yù)測性的潛在維度的預(yù)測誤差的平均值。

通常情況下，比較模型性能的優(yōu)劣應(yīng)當(dāng)使用普遍接受的度量方法。目前，解耦表征針對不同研究方向提出了各種不同的具體度量標(biāo)準(zhǔn)，每個度量標(biāo)準(zhǔn)的目的都是以稍微不同的方式來形式化度量的概念。

3 解耦表征學(xué)習(xí)研究的應(yīng)用與展望

3.1 解耦表征的實際應(yīng)用

3.1.1 解耦表征從圖像到圖像轉(zhuǎn)換上的應(yīng)用

深度學(xué)習(xí)極大地提高了圖像到圖像轉(zhuǎn)換方法的質(zhì)量。這些方法旨在學(xué)習(xí)將圖像從一個域轉(zhuǎn)換到另一個域的映射。如：彩色化，其目的是將灰度圖像映射到相同場景的彩色圖像［61］；語義分割，其目的是將RGB 圖像被轉(zhuǎn)換為指示RGB 圖像中的每個像素的語義類別的映射［62］。但是這類映射有兩個主要挑戰(zhàn)：一是缺少對齊的訓(xùn)練對；二是來自單個輸入圖像的多種可能的輸出。2017 年Isola 等［63］提出了一種從圖像到圖像轉(zhuǎn)換的通用方法。當(dāng)配對數(shù)據(jù)可用時，該方法可以成功應(yīng)用于各種問題。通過引入循環(huán)一致性損失，該理論進(jìn)一步擴(kuò)展到未配對數(shù)據(jù)的情況下［64］。U-Net 架構(gòu)［65］通常用于圖像到圖像的轉(zhuǎn)換。該網(wǎng)絡(luò)可以解釋為編碼解碼器網(wǎng)絡(luò)，編碼器從輸入域提取相關(guān)信息，并將其傳遞給解碼器，然后解碼器將該信息轉(zhuǎn)換到輸出域。盡管這些模型目前很流行，但學(xué)習(xí)到的表征（編碼器的輸出）只針對一些特定任務(wù)［66］。然而，解耦表征可以對圖像到圖像轉(zhuǎn)換模型中學(xué)習(xí)到的特定表征進(jìn)行結(jié)構(gòu)化。將偶然的場景事件（如光照、陰影、視點和對象方向）從場景的固有屬性中分離出來一直是計算機(jī)視覺希望達(dá)成的目標(biāo)［67］。當(dāng)應(yīng)用于深度學(xué)習(xí)時，會使得深度模型能夠意識到獨立的變化因素［68］影響所表示的實體。因此，如果信息與手頭的任務(wù)不相關(guān)，模型可以沿著特定的變化因素將信息邊緣化。這樣的過程對于被特定因素（例如，對象識別中變化的照明條件）而阻礙的任務(wù)將會大有益處。

如圖3 所示，左邊為一對域的示例，其中包含黑色背景上帶有彩色數(shù)字或彩色背景上帶有白色數(shù)字的圖像；右邊為解耦表征，分為跨域共享部分（數(shù)字）和域獨占部分（背景或數(shù)字上的顏色）。將解耦目標(biāo)與圖像到圖像的轉(zhuǎn)換相結(jié)合，引入了跨域解耦表征的概念，其目的是將特定領(lǐng)域的因素從跨域共享的因素中分離出來。為此，將表征劃分為三個部分：共享部分包含兩個域共有的信息，而兩個獨占部分僅表示每個域特有的變化因素。2018年Gonzalez-Garcia 等［69］提出了基于跨域的雙向圖像轉(zhuǎn)換模型，該模型使用一對生成性對抗網(wǎng)絡(luò)，通過充分結(jié)合多個損失和一個稱為跨域自編碼器的新網(wǎng)絡(luò)組件，在學(xué)習(xí)表征中實施解耦結(jié)構(gòu)。由于解耦表征具有更好的可控性和通用性，因此取得了比現(xiàn)有方法［70］更好的結(jié)果。為解決圖像轉(zhuǎn)化過程中缺少對齊的訓(xùn)練對且出現(xiàn)多種可能的輸出問題，2020年Lee等［71］基于解耦表征的方法，在未配對訓(xùn)練圖像的情況下綜合了各種輸出。該模型采用從給定輸入中提取的編碼內(nèi)容特征和從屬性空間中采樣的屬性向量，以在訓(xùn)練時綜合各種輸出；并且引入了一種跨周期一致性損失函數(shù)來處理未配對的訓(xùn)練數(shù)據(jù)。結(jié)果表明，該模型可以在沒有配對訓(xùn)練數(shù)據(jù)的情況下在廣泛的任務(wù)中產(chǎn)生多樣化的現(xiàn)實圖像。用于圖像到圖像轉(zhuǎn)換的跨域解耦表征模型［72］具有幾個優(yōu)點：1）樣本多樣性，可以根據(jù)輸入圖像生成圖像的分布，而大多數(shù)圖像到圖像架構(gòu)只能生成確定性結(jié)果，雖然明確地對兩個域中的變化進(jìn)行建模，而它們只考慮輸出域中的變化；2）跨域檢索，可以基于域之間共享表征的部分來檢索兩個域中的相似圖像，而不需要標(biāo)記數(shù)據(jù)來學(xué)習(xí)共享表征；3）特定域的圖像傳輸，特定域的特征可以在圖像之間傳輸；4）特定域的插值，可以基于特定域在兩個圖像的特征之間進(jìn)行插值。

圖3 圖像到圖像的轉(zhuǎn)換Fig.3 Image-to-image translation

3.1.2 解耦表征在視頻中進(jìn)行無監(jiān)督學(xué)習(xí)的應(yīng)用

從視頻中進(jìn)行無監(jiān)督學(xué)習(xí)是計算機(jī)視覺和機(jī)器學(xué)習(xí)的一個研究熱點。其目標(biāo)是在不使用顯式標(biāo)簽的情況下學(xué)習(xí)一種表征方法，這種方法可以有效地概括以前未見過的任務(wù)范圍，例如對當(dāng)前對象的語義分類、預(yù)測視頻的未來幀數(shù)或?qū)φ诎l(fā)生的動態(tài)活動進(jìn)行分類。有幾種流行的范例：第一種稱為自我監(jiān)督，使用領(lǐng)域知識隱式地提供標(biāo)簽（例如，預(yù)測對象上補(bǔ)丁的相對位置或使用特征軌跡），這允許將問題作為自生成標(biāo)簽的分類任務(wù)來處理；第二種方法依賴于輔助動作標(biāo)簽，在真實或模擬的機(jī)器人環(huán)境中可用，這種方法可以用來訓(xùn)練未來幀的動作條件預(yù)測模型［73］，也可以用來訓(xùn)練從當(dāng)前和未來幀中對預(yù)測動作的反向運動學(xué)模型［74］；第三種也是最普遍的方法，即預(yù)測性的自編碼器，試圖根據(jù)當(dāng)前幀預(yù)測未來幀。為了學(xué)習(xí)有效的表征，需要對潛在表征進(jìn)行某種約束。

這里引入一種預(yù)測性的自編碼器［75］，它使用一種新的對抗性損失來將每個視頻幀的潛在表征分解為兩個分量：一個分量大致與時間無關(guān)（在整個剪輯中大致不變）；另一個分量捕捉序列的動態(tài)方面，因此能夠?qū)崿F(xiàn)隨時間而變化。這里分別將它們稱為內(nèi)容組件和姿態(tài)組件。對抗性的損失依賴于這樣一種直覺，即盡管內(nèi)容特征應(yīng)該針對于特定剪輯，但個體的姿態(tài)特征不應(yīng)該如此。因此，損失函數(shù)鼓勵姿勢特征攜帶沒有關(guān)于剪輯身份的信息。從經(jīng)驗上看，這種損失的訓(xùn)練對于誘導(dǎo)所需的因式分解是至關(guān)重要的。兩個獨立的編碼器為每個幀產(chǎn)生內(nèi)容和姿勢的不同特征進(jìn)行表征，通過幀xt的內(nèi)容表征和未來幀xt+k的姿勢表征組合并解碼以預(yù)測未來幀xt+k的像素來訓(xùn)練它們。然而，僅此重構(gòu)約束不足以在兩個編碼器之間誘導(dǎo)所需的因子分解。因此，2019 年徐思［76］在姿勢特征上引入了一種新的對抗性損失，從而確保了它們不能包含內(nèi)容信息，且另一個約束是內(nèi)容信息應(yīng)該隨時間緩慢變化，這一概念鼓勵在時間上相近的內(nèi)容向量彼此相似。利用視頻的時間相干性和一種新的對抗性損失來學(xué)習(xí)一種表征方法，該方法將每一幀分解為一個固定部分和一個時間變化的組件。因此，與該方法類似的解耦表征可用于一系列任務(wù)，如將標(biāo)準(zhǔn)長短期記憶（Long Short-Term Memory，LSTM）應(yīng)用于時變分量可實現(xiàn)對未來幀的預(yù)測。但是這種方法無法保證網(wǎng)絡(luò)學(xué)習(xí)到低耦合度的特征，所以2020 年Sun 等［77］提出了循環(huán)表征分解網(wǎng)絡(luò)來解決這一問題，采用屬性交換和視頻重構(gòu)的策略將視頻分解成靜止和時間變化的分量，并在幾個視頻理解任務(wù)上獲得了比現(xiàn)有技術(shù)更好的結(jié)果，在技術(shù)上做到了從視頻理解的角度進(jìn)行視頻解耦表征學(xué)習(xí)。

3.1.3 解耦表征在3D建模方面的應(yīng)用

深度生成模型可以合成逼真的圖像，然而，大多數(shù)方法只專注于生成2D 圖像，而忽略了世界的3D 本質(zhì)。因此，用于生成2D圖像的模型無法回答一些對人類來說毫不費力的問題，例如：從不同的角度看汽車會是什么樣子？或者如果把小汽車的紋理應(yīng)用到一輛卡車上呢？又或者可以混合不同的3D設(shè)計嗎？因此，2D 視角不可避免地限制了模型在機(jī)器人、虛擬現(xiàn)實和游戲等領(lǐng)域的實際應(yīng)用。

2018年Zhu等［78］提出了一種端到端的生成模型——可視對象網(wǎng)絡(luò)（Visual Object Network，VON），該模型能夠?qū)⑽矬w的自然圖像與解耦3D 表征的形式結(jié)合起來，聯(lián)合生成3D 形狀和2D 圖像。具體地說，借鑒經(jīng)典圖形渲染引擎的思想，將圖像生成模型分解為三個條件獨立的因素：形狀、視角和紋理。該模型首先學(xué)習(xí)生成像真實物體形狀一樣幾乎難以區(qū)分的3D形狀；然后用一個可微投影模塊從一個采樣的視角計算它的2.5D 草圖；最后，在2.5D 草圖上添加不同的、逼真的紋理，并生成與真實照片難以區(qū)分的2D圖像。

同時，條件獨立連接減少了密集標(biāo)注數(shù)據(jù)的需求，與經(jīng)典的可變形面部模型不同，可視對象網(wǎng)絡(luò)的訓(xùn)練不需要2D圖像和3D 形狀之間的配對數(shù)據(jù)，也不需要3D 數(shù)據(jù)中密集的對應(yīng)標(biāo)注。這一優(yōu)勢使可視對象網(wǎng)絡(luò)能夠利用2D 圖像數(shù)據(jù)集和3D形狀集合，并生成不同形狀和紋理的對象。

3.2 解耦表征未來的研究方向

3.2.1 對歸納偏好和隱性、顯性監(jiān)督的探索

無監(jiān)督解耦表征學(xué)習(xí)背后的想法：真實世界的數(shù)據(jù)是由一些可解釋的變差因素所生成的，并且這些變差因素可以通過無監(jiān)督學(xué)習(xí)算法來恢復(fù)。因此，使得模型更好的解耦是各類解耦方法的主要動機(jī)。這就提出了一個問題，即“模型選擇、超參數(shù)選擇和隨機(jī)性（以不同隨機(jī)種子的形式）是如何影響解耦效果的？”為了研究這個問題，2018 年Locatello 等［79］為訓(xùn)練過的模型計算出分離式度量，定量分析并歸納偏好設(shè)置。他們展示了Cars3D 數(shù)據(jù)集上每種方法的FactorVAE 得分范圍，并且這些范圍對于不同的模型是嚴(yán)重重疊的，所以得出這樣的結(jié)論：超參數(shù)和隨機(jī)種子的選擇似乎比目標(biāo)函數(shù)的選擇重要得多。他們還進(jìn)一步展示了隨機(jī)種子形式的隨機(jī)性對解耦效果的影響，并表示隨機(jī)性（以不同的隨機(jī)種子的形式）對獲得的結(jié)果有很大的影響。

由于目前在解耦表征的無監(jiān)督學(xué)習(xí)中似乎沒有一個可靠的選擇超參數(shù)的策略，純粹的無監(jiān)督解耦學(xué)習(xí)似乎從根本上是不可能的。2020年Locatello等［80］首先從理論上證明了如果沒有模型和數(shù)據(jù)的歸納偏好，無監(jiān)督的解耦表征學(xué)習(xí)是不可能的。從他們的實驗結(jié)果來看，盡管使用不同的方法都成功地實現(xiàn)了由相應(yīng)的損失函數(shù)優(yōu)化出對應(yīng)的屬性，但似乎沒有監(jiān)督就無法確定很好的解耦模型。此外，不同的評估指標(biāo)并不總是在解耦的問題上達(dá)成一致，且在估算中表現(xiàn)出系統(tǒng)性差異。最后，模型解耦性的提高似乎并沒有必然導(dǎo)致下游任務(wù)的學(xué)習(xí)樣本復(fù)雜度降低。所以有關(guān)解耦表征學(xué)習(xí)的未來工作應(yīng)明確歸納性偏好和（隱性、顯性）監(jiān)督的作用，加強(qiáng)對所學(xué)解耦表征具體好處的探索，并考慮涵蓋多個數(shù)據(jù)集可重現(xiàn)的實驗設(shè)置。目前，具有交互性的解耦學(xué)習(xí)是一種很有前景的學(xué)習(xí)方式，如利用弱監(jiān)督或數(shù)據(jù)時序結(jié)構(gòu)用于學(xué)習(xí)問題。考慮到非線性獨立成分分析（Independent Component Analysis，ICA）模型中的可識別性結(jié)果，對數(shù)據(jù)時序結(jié)構(gòu)進(jìn)行解耦表征學(xué)習(xí)似乎特別有趣，這可能表明，如果能夠利用數(shù)據(jù)的順序結(jié)構(gòu)，則基于自動編碼的方法可能會有顯著的改進(jìn)。

3.2.2 對解耦表征可解釋性、公平性、互動環(huán)境及可復(fù)現(xiàn)實驗設(shè)置方面的探索

未來的工作應(yīng)該著眼于放大解耦表征學(xué)習(xí)的幾個具體優(yōu)勢，如可解釋性、公平性以及互動環(huán)境等方面，包含歸納偏好、提供可解釋性和概括性的一個潛在方法是開創(chuàng)獨立因果機(jī)制和因果推理的框架。2019 年Van Steenkiste 等［81］進(jìn)行了一個大規(guī)模的實驗研究，以實驗解耦表征是否更適合于抽象推理任務(wù)。因此要想強(qiáng)調(diào)對各種數(shù)據(jù)集進(jìn)行合理、可靠、可重復(fù)的實驗設(shè)置，以便得出有效的結(jié)論，首先，必須謹(jǐn)慎對待實驗設(shè)計，為所有不同的方法和解耦度指標(biāo)選擇了完全相同的訓(xùn)練和評估協(xié)議。其次，如果僅考慮方法、指標(biāo)和數(shù)據(jù)集的子集，很容易從實驗結(jié)果中得出虛假結(jié)論，數(shù)據(jù)集的更改可能會導(dǎo)致得出截然不同的結(jié)論，因此，對未來的工作而言，對各種數(shù)據(jù)集進(jìn)行實驗以查看結(jié)論和見解是否普遍適用至關(guān)重要。這在解耦學(xué)習(xí)的設(shè)置中特別重要，因為實驗主要是在類似玩具數(shù)據(jù)集上進(jìn)行的，因此，目標(biāo)應(yīng)當(dāng)是對多個數(shù)據(jù)集進(jìn)行概括的能力，而不是對特定數(shù)據(jù)集的絕對性能。

3.2.3 對解耦表征深層理論和評價指標(biāo)方面的探索

解耦表征學(xué)習(xí)的關(guān)鍵是從觀察中理解世界、在不同任務(wù)和領(lǐng)域之間轉(zhuǎn)移知識和學(xué)習(xí)組成概念。雖然近年來取得了相當(dāng)大的進(jìn)展，但關(guān)于陳述解耦表征的常見假設(shè)的合理性似乎是不夠的。至少有兩個主要原因?qū)е履壳暗慕怦畋碚鳡顟B(tài)不令人滿意：一是缺乏正式的解耦表征概念來支持適當(dāng)目標(biāo)函數(shù)的設(shè)計；二是缺乏有效的評估度量來實現(xiàn)模型之間的公平比較。

2020年Do等［82］從信息性、可分離性和可解釋性三個維度描述了在監(jiān)督和無監(jiān)督方法中使用解耦表征的概念，這些概念可以用信息論的結(jié)構(gòu)明確地表示和量化。然后，他們還提出了用于度量信息性、可分離性和可解釋性的評價指標(biāo)。目前，在解耦表征的理論和評價指標(biāo)這兩方面的探索還處在初步階段，鼓勵設(shè)計更多理論驅(qū)動的模型來探索解耦表征是未來非常重要的一個研究方向。

4 結(jié)語

人工智能技術(shù)的蓬勃發(fā)展，改變了人們生活的方方面面。機(jī)器和人類在很多復(fù)雜認(rèn)知任務(wù)上的表現(xiàn)已經(jīng)不分伯仲。然而，單一模型只能解決單一問題，目前學(xué)界對解耦學(xué)習(xí)的研究尚處于起步階段。從當(dāng)前研究現(xiàn)狀看，研究者們普遍意識到提高模型利用率的重要性，并已展開了諸多有意義的研究。在未來，解耦表征學(xué)習(xí)的研究應(yīng)該更加著力于對歸納偏好、無監(jiān)督或者自監(jiān)督學(xué)習(xí)的探索上來。對解耦表征可解釋性、公平性、互動環(huán)境以及其深層理論和評估方式上還有很長的路要走。本文從解耦表征學(xué)習(xí)的歷史與動機(jī)、研究方向和現(xiàn)狀以及解耦表征學(xué)習(xí)的應(yīng)用與展望這幾方面對當(dāng)前解耦表征學(xué)習(xí)的研究進(jìn)行總結(jié)，讓讀者了解解耦表征學(xué)習(xí)的發(fā)展脈絡(luò)、研究方向、取得的成果和未來的發(fā)展趨勢。相信今后隨著對解耦表征學(xué)習(xí)深入的研究，在模型的泛化能力、提升處理非單一任務(wù)時的利用率以及深度學(xué)習(xí)可解釋性等方面一定會有所突破。