disentangled-representation

Neural-DISCO 提出一种解纠缠表示学习框架，用于神经群体活动的源条件反事实编辑：可替换单个行为或刺激标签的潜在分量，同时保留其他标签与源特异性变异性，并结合特征归因识别单神经元层面的功能角色。

本文介绍了不变-可变解耦状态空间模型（IVD-SSM），这是对 SemEval-2026 任务4的提交，该模型使用混合 Jamba-1.5-Mini 骨干网络和新型结构门控对齐头，从词汇变体中解耦结构不变性，用于叙事相似性评估。

本文提出 SRT（时间序列超分辨率），一种使用解耦校正流方法从低分辨率输入重建高分辨率时间模式的框架。该方法将输入分解为趋势和季节性成分，应用隐式神经表示进行分辨率对齐，并引入跨分辨率注意力机制以生成细粒度细节，在多个数据集上实现了最先进的性能。

MERIT是一个框架，它通过条件音频生成和源分离音轨学习旋律、节奏和音色的解耦音乐表示，能够进行精细且特定因子的音频相似度查询。