面向视觉基础模型的快速解耦反事实方法

论文提出 Disentangled Diffusion Autoencoders（DiDAE），将冻结的视觉基础模型包裹在条件扩散解码器中。反事实生成变成对解耦字典某一方向的闭式编辑，再经解码完成。字典可用 Procrustes 监督或 SVD、Sparse Autoencoders 无监督构建，全程不需要梯度，因此比已有方法最快快约 2000 倍。论文在六个数据集上评估，并在其中三个上做了指标驱动的基准测试。

此前可解释机器学习能帮普通分类器去除伪相关，但基础模型缺乏对应的元数据修正方案。该工作把反事实从高成本优化改造为线性编辑加解码，使其首次在基础模型上具备可操作性，并给出可与现有最优方法比肩或更优的实测结果。

DiDAE 通过条件扩散解码器保留冻结基础模型的表征，把语义变化压缩到解耦字典的若干方向。闭式编辑替代梯度优化，因此推理成本大幅下降。字典还可用来对预训练字典与分类器做排序，找出分类器实际依赖的方向，并用反事实逐一因果验证，确认翻转决策后，再由教师标记伪相关方向进行修正。

该流程对产品研发的直接影响是降低诊断视觉模型伪相关的计算成本，使反事实解释可以按需在线生成。论文同时开源 Peal 库，配合公开字典与预训练解码器，团队只需做便宜的线性蒸馏与微调，即可把反事实知识蒸馏接入既有分类器，减少对元数据的依赖。

• 基于 Peal 库封装企业内的视觉模型审计流程，输出被分类器实际依赖的方向清单。
• 为已有视觉分类器接入 Counterfactual Knowledge Distillation，用反事实样本替代元数据做纠偏。
• 提供公开解耦字典与预训练解码器的托管服务，降低团队自建反事实管线的门槛。
• 在模型上线前增加伪相关方向排序检查，作为可量化的回归测试环节。

• 论文所称 up to 2000 倍加速的对照基线与硬件条件尚未在证据中说明。
• 六个数据集的具体名称、领域与三个基准数据集的选取标准未给出。
• Procrustes 监督与 SVD、Sparse Autoencoders 无监督三种字典构建方式的效果差异未知。
• Peal 库的许可证、维护计划与生产环境稳定性没有在证据中确认。