本文提出了一种无需手动标注的图像表示学习方法，通过解离图像属性实现特征独立性，适用于分类和检索。采用自动编码器架构，结合不变性和分类目标，确保特征块的稳定性。实验结果表明，该方法在多个数据集上有效提升了图像生成的准确性和多样性。

本文探讨了堆叠式联合嵌入架构（JEA）和自我监督学习（SSL）在图像表示学习中的应用，提出了I-JEPA框架，强调数据增强策略对模型性能的重要性。研究表明，富含先验知识的SSL模型在鲁棒性和性能上表现优异，减少了对大量数据增强的依赖。

本文提出了混合成员-潜在距离模型（HM-LDM）和有符号混合成员-潜在距离模型（sHM-LDM），用于图像表示学习。通过限制潜在距离模型为潜在单纯形，控制潜在空间的体积，逐渐显现出社区结构。在有符号网络中引入Skellam分布来考虑有符号加权网络。实验证明这些方法成功地识别了重要的独特结构，并提供了有利的预测表现与主流基准相比。学习到的软成员使得网络可视化更易于解释并突出显示出独特的模式。