Краткое содержание

arXiv:2511.12745v1 Тип объявления: новый Аннотация: Научные данные часто являются результатом множества независимых механизмов, таких как пространственные, категориальные или структурные эффекты, чье совокупное влияние скрывает их индивидуальный вклад. Мы представляем фреймворк DIVIDE, который разделяет эти влияния, интегрируя специфичные для механизма глубокие энкодеры со структурированным гауссовым процессом в едином латентном пространстве. Под разделением здесь понимается разделение независимо действующих генеративных факторов. Энкодеры изолируют различные механизмы, в то время как гауссов процесс захватывает их совокупный эффект с калиброванной неопределенностью. Архитектура поддерживает структурированные априорные распределения, обеспечивая интерпретируемые и учитывающие механизмы прогнозы, а также эффективное активное обучение. DIVIDE продемонстрирован на синтетических наборах данных, комбинирующих категориальные патчи изображений с нелинейными пространственными полями, на симуляциях ферроэлектрических паттернов FerroSIM в спиновых решетках и на экспериментальных петлях гистерезиса ПФМ из пленок PbTiO3. Акро