近日，arXiv上的一项研究提出了基于群分解理论和参数划分的变换分类新方法，由Takayuki Komatsu、Yoshiyuki Ohmura和Yasuo Kuniyoshi共同完成。该工作聚焦于表示学习中的一个核心问题：如何在不依赖监督信号的情况下，对输入对之间的变换进行有意义的分类。
传统方法处理变换分类时，往往依赖于解缠表示，即假设变换所对应的因素是相互独立的。然而，当这些因素耦合在一起时，传统方法就会失效。例如，旋转、平移和缩放等变换可能同时出现，而它们对应的参数在表示空间中往往纠缠不清。此前，作者团队曾提出一种基于伽罗瓦理论的方法，通过学习两个变换的乘积，并约束其中一个因子属于正规子群，来对群进行分解。这一方法覆盖了可交换和非可交换的情况，但存在一个关键缺陷：它依赖于一些辅助假设，例如运动或等距限制，而这些假设并非分解理论本身所必需。此外，消融实验并未能区分理论本身的效果和这些辅助假设带来的效果。
在本文中，作者提出了参数划分（parameter division）的全新表述。具体而言，他们将单一变换的参数拆分为多个分量，然后施加同态约束——将完整的变换映射到其中一个分量上。当该分量固定为单位元时，对应的变换集合即被识别为正规子群。这一公式完全抛弃了之前的辅助假设，因此适用性更广。研究者们在包含旋转、平移和缩放的图像对上进行了评估。消融实验表明，群分解约束是驱动正确分类的关键因素，而非其他辅助假设。
该方法为无监督学习中的变换分类提供了一种更简洁、更通用的理论框架，有助于推动对表示学习基础机制的理解。未来，研究者可以将其扩展到更复杂的变换类型，并探索其在视觉推理、机器人感知等领域的应用潜力。