본 논문은 변분 오토인코더(VAE)에서 학습된 정보의 이해 및 재사용에 중요한 요소인 disentanglement learning에 대해 다룹니다. 기존 연구에서 유도적 편향(inductive bias)이 중요하다고 보고되었으나, 구체적인 구현 방식은 모호했습니다. 본 논문에서는 다중 가역 부분 등변 변환(MIPE-transformation)이라는 새로운 방법을 제안합니다. MIPE-transformation은 1) 입력-잠재 벡터 변환의 특정 등변성을 유지하면서 잠재-잠재 벡터 변환의 가역성을 보장하는 가역 부분 등변 변환(IPE-transformation)을 사용하고, 2) 학습 가능한 변환을 통해 사전 및 사후 분포를 근사 지수족으로 확장하는 지수족 변환(EF-conversion)을 사용하며, 3) 여러 개의 IPE-transformation과 EF-conversion 유닛을 통합하고 학습하는 방식으로 유도적 편향을 주입합니다. 3D Cars, 3D Shapes, dSprites 데이터셋 실험 결과, MIPE-transformation은 최첨단 VAE의 disentanglement 성능을 향상시켰습니다.
