在解耦表示学习中，如何有效进行属性预测是一个重要课题。虽然近期方法已开始关注属性间的相关性，但对隐藏关联的探讨仍显不足。在某些属性值下，数据可能与其他属性存在潜在的模式关联。为保留模式信息并实现解耦，我们提出了一种联合发现模式并强制模式条件独立的方法。尽管如此，这两个模块之间的相互依赖可能导致在简单迭代中出现错误放大。
我们提出了协调解耦与迭代模式发现（CoDID），这是一个端到端的框架，具有动态架构，能够适应不断变化的模式数量，并通过元优化机制减轻错误放大。实验结果表明，该方法在多种任务上展现了最先进的性能。
博主点评： 该研究为解耦表示学习提供了新思路，通过协调机制有效解决了隐藏关联问题，展现了良好的适用性和灵活性，为后续研究奠定了基础。值得关注其在实际应用中的表现。