題目：Weakly-Supervised Disentanglement Without Compromises

摘要：

智能體應該能夠通過觀察其環境中的變化來學習有用的表示。首先，從理論上證明，隻知道有多少因素發生了變化，而不知道哪些因素發生了變化，就足以學習解纏表示。其次，我們提供了實用的算法，可以從成對的圖像中學習分離的表示，而不需要對組、單個因素或已更改的因素的數量進行注釋。第三，我們進行了大規模的實證研究，並表明這樣的觀測對足以可靠地學習幾個基準數據集上的解纏表示。最後，我們評估我們的表示學習，並發現它們在不同的任務集合上同時是有用的，包括協變量轉移下的泛化、公平性和抽象推理。總的來說，結果表明，在現實場景中，弱監督能夠幫助學習有用的解纏表示。