简介：本文研究的问题是使用自编码器来实现自监督结构化表征学习。和大多数方法需要去匹配一个任意的、相对非结构化的先验分布来采样，本文提出了一种只依赖于隐变量独立性的采样方式，从而避免了像VAE那样需要在重构质量和生成性能之间做权衡。本文设计了一种新颖的自编码器结构，能够在不需要正则化的情况下学出结构化的表征。本文提出的结构化解码器能够学出有层次结构的隐变量，类似于结构因果模型SCM，从而不带任何正则化就可以整合信息。本文在几个有挑战性的自然图片数据集上，通过实验展示了这些模型是如何学出一套表征来提升下游任务上的表现，包括生成、解耦、外插。

论文链接：https://arxiv.org/pdf/2006.07796.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除