自编码器中的正交约束潜在空间：一种学习解耦表示的方法

基于摘要分析。本文研究自编码器潜在空间的因子分解与解耦，提出一种基于相互独立的对称变换的非概率框架，通过 Euler encoding 向模型架构显式引入归纳偏置，旨在仅使用重建损失学习确定性的解耦表示，无需成对图像或标签。 核心机制是将解耦所需的结构约束放入架构，而非依赖摘要所述之外的额外监督或损失。作者将其描述为据其所知首个满足上述条件的确定性自编码器模型；这一优先性声明尚未独立核实。摘要未提供 Euler encoding 的具体定义、正交约束的实现方式、潜在变量维度或训练细节，不能据此推断完整网络结构。 作者报告，与包括对称性模型和生成模型在内的多种解耦方法比较，并使用六种解耦指标评估，其中包括本文提出的一种无监督解耦指标。作者报告该方法可取得更好的解耦效果，尤其是在特征方差不同的情形下。摘要未列出数据集、划分、对照模型名称、各指标定义及具体数值，实验协议、消融及统计信息尚未验证；无监督指标是否与独立评价标准一致也需查阅正文。 平台推测（待验证）：若 EEG 中任务相关与干扰因素能用近似独立的变换描述，这类架构归纳偏置可能为表示分离提供可检验的路径。可复用的是确定性自编码器及结构化潜在空间思路，需改造的是面向 EEG 时序与通道结构的编码、解码及变换定义。低信噪比、被试差异、通道混合和小数据可能使重建目标优先保留高方差伪迹，而非任务信息，数学正交也不等于生理因素独立。小规模实验可在含已知独立源及不同源方差的模拟 EEG 上，将该结构与容量匹配的普通自编码器比较，同时检查源分离、重建质量及多次训练稳定性，再决定是否进入真实 EEG 验证。已有 EEG 相关工作尚未检索确认。