自己教師あり表現学習は、多数の分野において顕著な成功を収めてきた。一般的な手法として、データ拡張を手作業で設計された変換によって行うことが挙げられ、その目的はデータの意味構造（セマンティクス）が変化しないようにすることである。本研究では、このアプローチの経験的成功を理論的視点から理解することを目的とする。我々は、潜在表現を「コンテンツ」と「スタイル」の二つの成分に分割する仮定に基づき、データ拡張プロセスを潜在変数モデルとして定式化する。ここでコンテンツ成分は拡張に対して不変であると仮定し、スタイル成分は変化を許容する。従来の分離表現や独立成分分析の研究とは異なり、潜在空間における非自明な統計的および因果的依存関係を許容する。観測値のペア（ビュー）に基づき、潜在表現の同定可能性を検討し、生成モデルおよび判別モデルの両設定において、不変なコンテンツ部分を可逆写像の意味で同定可能な十分条件を証明する。数値シミュレーションにおいて、潜在変数間に依存関係が存在する場合も、理論と整合的な結果が得られた。最後に、高次元かつ視覚的に複雑な画像に豊かな因果的依存関係を持つデータセット「Causal3DIdent」を提案し、実際のデータ拡張手法がもたらす影響を検証するための基盤として用いる。