在智能感知系统中，学习到的表征通常通过重建保真度或下游预测准确性来评估，但这些标准并未明确哪些潜在区分是感知过程所合理化的。在传感器条件环境中，干扰因素可以在不改变场景的情况下改变测量，而在有限的感知能力下，不同的场景可能无法区分。本文将传感器条件下的表征正确性定义为保持感知支持的场景区分，同时抑制干扰引起和传感器不支持的变异。
我们引入场景相关观察商，这是一个通过干扰规范化后由感知支持的可区分性诱导的表征目标，并开发了观察商-塔克结构自编码器 (OQ-TSAE)，这是一个场景-干扰因子化框架，具有针对错误区分、错误合并、干扰敏感性和潜在顺序一致性的诊断功能。实验表明，基于商的监督相较于重建导向、度量学习和对比学习基线，显著改善了表征正确性诊断。
敏感性、扰动和消融研究显示了商对齐监督、可靠的商关系和商几何的重要性。补充的真实雷达实验表明，重建唯一的 OQ-TSAE 变体在下游效用、在观测降级下的鲁棒性和低种子间变异性方面保持了竞争力。这些结果表明，传感器条件下的表征不仅应通过预测效用来评估，还应通过其潜在几何是否保持感知合理化的场景区分来评估。
博主点评： 本文提出了一种新颖的传感器条件表征学习方法，通过引入观察商的框架有效地解决了感知中的干扰因素问题，填补了现有评估标准的不足。这一研究具有重要的理论意义和应用前景，尤其在智能感知和机器人领域中，能够推动相关技术的进一步发展。