知识和数据的表示是人工智能的核心问题之一。良好的知识和数据形式化表示可让下游的模型学习和算法应用更为简单有效。评判表示的一个重要标准是可解释性。可解释表示不仅便于人类理解算法的结果,更可以提高模型的鲁棒性和泛化能力,帮助计算机更准确地理解数据背后的规律。解纠缠表示是研究可解释表示的重要方向之一。解纠缠表示学习的主要目的是从数据中学习可解释属性,从而为下游机器学习算法提供更好的特征,乃至辅助计算机进行类似人类思维的推理。本文的研究围绕解纠缠表示学习算法及其在概念空间构建的应用展开。在上半部分,本文聚焦于无监督的解纠缠表示学习算法,实施了如下两方面的研究:(1)提出了基于类比推理的无监督解纠缠表示学习方法。该方法基于一个重要的观察,即可解释属性和特定的样本间类比关系存在一一对应关系。因此,该方法用互成平行四边形的隐空间编码对来表示具有类比关系的生成样本对,并设计了分类器学习类比样本对中的数据变化规律。最终,生成器和分类器协同训练得到可解释属性。可以证明,该方法在学习过程中最大化样本和隐空间编码的互信息。(2)提出了基于属性两两独立假设的无监督解纠缠表示学习方法。在大规模数据集上的统计分析表明,可解释属性并不是相互独立而更可能是两两独立的。因此,该方法植根于两两独立假设,设计了属性两两独立的度量项,包括其计算和采样方法。另外,该方法使用了一个新的对数似然变分下界,该下界仅仅约束属性的边缘分布而不约束联合分布,从而可以和两两独立度量项结合形成最终算法。在下半部分,本文展示了解纠缠表示学习在概念空间构建中的应用。依据解纠缠表示和概念空间在定义上的相似性,本文探索性地用解纠缠表示的隐空间近似概念空间。并且,本文还介绍了两种概念空间上的概念表示方法:基于邻域模型的表示和基于密度尖峰的表示。具体地,本文回顾并探讨了基于邻域表示的形式化定义、单概念的表示方法和多概念的表示与推理方法,以及基于密度尖峰的概念表示和学习方法等。最后,本文还展示了解纠缠表示学习方法和概念学习方法的组合实验。然而,本文的概念空间学习和概念学习方法在设计上是分离的,也并没有基于统一或相适应的假设,因此学习机制存在不可避免的缺陷。总结来说,本文探讨了新的无监督解纠缠表示学习方法,其中可解释属性倾向于两两独立的发现对相关研究最为重要。本文提出的方法有望为其他的机器学习算法或应用提供更好的数据表示。具体来说,本文方法可从数据中提取特征,在此基础上进行数据降维和可视化,或者用于有监督学习以避免对数据的过拟合并提高模型泛化能力,或者用于无监督学习以集成更多的先验从而发现数据中的规律。