简介：机器学习的一个重要的问题是，学出一套有意义的表征，能够解耦出数据生成过程的内在结构。尽管已经发现解耦表征对于很多任务都有用，包括抽象推理、公平分类，它们的可扩展性和真实应用仍值得怀疑。本文引入了一个新的高分辨率的数据集，有100万张模拟生成的图片和1800多张带标记的真实图片。和此前的工作相比，这个新数据集呈现了关联性和复杂的内在结构，使得能够评估在未见过的模拟和真实情况下的迁移，编码器可能是分布内的也可能是分布外的。本文提出了新的架构使得解耦表征学习可以扩展到真实的高分辨率的图片上，并在这一新数据集上做了大规模的解耦表征学习的实验。本文发现，解耦的确是实现分布外（OOD）任务的一种不错的方式。

论文链接：https://arxiv.org/pdf/2010.14407.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