타협 없는 비지도 얽힘 해제: 기능적 직교성이 식별성을 강제하는 방법

본 논문은 기능적 관점에서의 비지도 얽힘 해제 표현 학습 (unsupervised disentangled representation learning)을 탐구합니다. 우리는 잠재 개념 (latent concepts)을 국소적으로 직교하는 방향 (locally orthogonal directions)을 통해 관측값에 영향을 미치는 요인으로 정의하며, 이를 생성 매핑 (generative mapping)의 자코비안 (Jacobian)에 대한 직교성 제약 (orthogonality constraint)으로 공식화합니다. 우리는 잠재 도메인 (latent domain)이 모든 요인 값의 조합을 허용한다는 전제하에, 통계적 독립성 (statistical independence)이나 인과적 가정 (causal assumptions)을 요구하지 않고도 이 조건이 일반적인 비선형 생성 모델 (nonlinear generative models)의 식별성 (identifiability)을 산출함을 증명합니다. 직교성 정규화된 정규화 유동 (orthogonality-regularized normalizing flows)을 이용한 실험은 이 이론을 경험적으로 확인하고, 실제 정답 요인 (ground-truth factors)의 신뢰할 수 있는 복구를 입증하며, VAE의 성공에 대한 통찰을 제공합니다. 이러한 발견은 비지도 얽힘 해제에 대한 기존의 불가능성 주장 (impossibility claims)에 도전하며 원칙적인 대안적 토대를 제공합니다.