Disentanglement 最新动态

对比学习中的图像表征分区

基于摘要分析。该研究针对图像对比学习中将 anchor 与 positive 表征拉近可能忽略数据增强所产生差异的问题，提出 partitioned representation，同时学习样本间的共同特征与各样本独有特征。其主要研究对象是图像表征学习，并非 EEG 或 BCI。 方法将表征划分为 content part 和 style part：前者表达类别的共同特征，后者表达各样本自身的特征，并可能表征数据增强方式。作者通过将对比学习损失分解为分别作用于两部分表征的两个项实现这一划分。摘要未提供损失公式、两部分的约束方式及具体训练流程，不能据此判断分区是否足以保证信息解耦。 评估使用 Variational AutoEncoder（VAE）与 Bootstrap Your Own Latent（BYOL）两个框架，分别考察 content/style 的可分离性与分类泛化能力。作者报告，在 VAE 框架下可以分离两类信息；在以 conventional BYOL 为对照的下游评估中，线性可分性与 few-shot learning 任务表现更好。摘要未给出数据集、划分、指标或提升数值；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的配对增强既保留任务相关信息，又引入可识别的非任务变化，分区表征可能帮助缓解“过强增强不变性丢失有效信号”的问题。可尝试复用表征分区与损失分解思路，但需改造信号编码器和增强方式，并验证 content 是否保留任务信息、style 是否吸收增强差异。该假设依赖增强不改变标签语义；低信噪比、被试差异、通道变化及小数据可能使两部分分别编码噪声、身份或任务信息，而非预期因素。 可检验的小实验是在固定 EEG 数据划分、编码器和增强配置下，比较普通 BYOL 与分区版本的线性探测表现，并分别探测两部分对任务标签及增强类型的预测能力；若 content 的任务性能下降或两部分没有可区分的信息分工，则不支持该迁移假设。已有 EEG 相关工作尚未检索确认。