边缘匹配不等于因子化采样：审计因子化生成模型中的条件风格泄漏
因子化生成模型（Factorized Generative Models）通常通过将潜在风格变量 (z_s) 的边缘分布匹配到固定的高斯先验，来宣称风格表示与类别信息无关。然而，最新研究指出，这种解读存在根本性缺陷：边缘分布匹配无法约束类别条件分布，即使潜在风格在整体上呈现完美的高斯分布，仍可能携带高度可预测的类别信息。
核心发现
该研究（arXiv:2608.05243）通过数学推导证明，边缘分布匹配仅仅是因子化采样所需的四个条件之一，消除该不匹配是必要但非充分条件。实验中，案例模型与四个代表性潜在基线在全局最大均值差异（MMD）上接近零，但线性探针仍能以 74%–100% 的准确率恢复类别标签（随机水平为10%）。案例模型的聚类准确率高达 99.15%，但外部评估的类别条件生成成功率仅为 16%。
泄漏的顽固性
这种泄漏在六种独立扰动下依然存在，包括模型容量、课程学习、先验几何和监督信号的变化，并在两个数据集（MNIST和CIFAR-10）上重复出现。这表明，仅基于边缘分布计算的任何散度指标都无法证明与类别标签的独立性，仅报告边缘统计量并不能验证因子化生成模型通常声称的性质。
缓解策略与效果
研究测试了四种缓解策略，可将探针准确率降至 21%–46%，但类内依赖几乎不变。后验条件先验在MNIST上无需重新训练即可将外部评估的类别生成提升至 0.97，但在CIFAR-10上仅达 0.41；而经验风格库在CIFAR-10上达到 0.88。这些结果凸显了现有评估方法的盲区，并提示研究者在设计因子化模型时需引入更严格的独立性验证。
对AI社区的意义
这项研究为生成模型的可解释性和可控性敲响警钟。在图像编辑、风格迁移等应用中，因子化表示常被用于解耦内容与风格，但若条件泄漏未被检测，模型可能在看似独立的表征中隐藏偏见。未来工作应关注条件分布对齐，而非仅优化边缘分布，并开发更全面的审计工具。