研究者提出弱监督解耦表示学习方法XFACTORS
热点事件持续更新
研究者提出弱监督解耦表示学习方法XFACTORS
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Alexandre Myara等在arXiv论文（arXiv:2601.21688，v3）中提出弱监督解耦表示学习框架XFACTORS。该方法基于解耦信息瓶颈视角，通过InfoNCE对比损失与KL正则将表征分解为因子专属子空间和残差子空间，无需对抗训练或分类器即可对目标因子进行显式控制。 论文称，XFACTORS在多个数据集上以固定超参数取得SOTA解耦分数，支持通过潜变量替换实现因子交换，并随潜变量容量正确扩展，已在真实数据集CelebA上验证。代码已开源。
AI 根据报道生成 · 1 小时前更新
最新进展11月14日 13:00
XFACTORS：基于对比监督的解耦信息瓶颈方法报道时间线
沿着报道，了解事件的不同侧面。
11月14日
- arXiv cs.AIXFACTORS：基于对比监督的解耦信息瓶颈方法
XFACTORS 是一个弱监督 VAE 框架，基于解耦信息瓶颈视角，通过 InfoNCE 对比损失与 KL 正则将表征分解为因子专属子空间和残差子空间，无需对抗训练或分类器即可显式控制目标因子。在多个数据集上以固定超参数取得 SOTA 解耦分数，支持通过潜变量替换实现因子交换，并随潜变量容量正确扩展，已在 CelebA 真实数据集上验证。代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。