本文第一作者为四川大学博士研究生刘泓麟，邮箱为 tristanliuhl@gmail.com ，通讯作者为四川大学李云帆博士后与四川大学彭玺教授。 一张图片包含的信息是多维的。例如下面的图 1，我们至少可以得到三个层面的信息：主体是大象，数量有两头，环境是热带稀树草原（savanna）。然而，如果 由传统的表征学习方法来处理这张图片，比方说就将其送入一个在 ImageNet 上训练好的 ResNet 或者 Vision Transformer，往往得到的表征只会体现其主体信息， 也就是会简单地将该图片归为大象这一类别。这显然是不合理的。 图 1 ：传统表征学习（上）与条件表征学习（下）的比较。传统的表征学习方法只能学习到一种通用的表征 ，忽略了其他有意义的信息；文章提出的条件表征学习能够基于指定准则，得到该准则下表现 力更强的条件表征，适应多种下游 任务。 此外，在各大电商平台，用户通常根据不同的标准（例如颜色、材质或场合）搜索商品。例如，用户今天可能搜索 "红色连衣裙"，明天搜索 "正装"，后天搜索某 个全新的关键词。这对于拥有庞大规模商品的平台来说，手动打标签是不现实的，而传统的表征学习也仅仅只能获取到 ...