通过将因果关系理论与矢量量化变分自编码器相结合，我们提出了一种新的基于因果动态的去纠缠方法，将量化向量视为因果变量并将其链接在因果图中，通过对因果图进行因果干预，引发影响图像中唯一变化因素的原子转换。同时，我们通过引入一个新的行动检索任务来测试我们的模型。我们在标准的合成和真实世界的去纠缠数据集上进行了测试，结果表明它能够有效地解缠图像变化因素并对图像的高级语义属性进行精确干预，而不影响其质量，即使在不均衡的数据分布下也是如此。

Feb, 2023

本文提出了一种基于独立因果机制的因果解缠结的新概念，并提出了 ICM-VAE 框架来学习因果解缠结表示，使用可学习的基于流的差分同胚函数将噪声变量映射到潜在因果变量，同时为了促进因果因素的解缠结，提出了因果解缠结先验。在相对温和的条件下，我们提供了理论结果，显示出因果因子和机制的可识别性。经验证明，该框架引导出高度解缠结的因果因子，提高了干预的稳健性，并且与因果生成相容。

Jun, 2023

通过因果视角下关联因素的不懈探索，我们提出了两个衡量因果解缠的新指标及数据集，并在最新的表述学习器中进行了实证研究。

Dec, 2021

本文研究了因果变量在相关数据上的行为并分析了最主要的解缠方法在大规模实证研究（包括 4260 个模型）中的表现，结果显示数据集中系统性引入的相关性正在被学习并反映在潜在表示中，这对于解缠的下游应用如公平性有重要的影响，同时呈现了如何通过训练期间的弱监督或使用少量标签的预训练模型的后修复来解决这些潜在的相关性。

Jun, 2020

本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

Jul, 2023

利用多模态数据和物理约束来发现具有因果关系的重要特征的因果表示学习算法（causalPIMA）。通过可微分参数化和单个可追踪证据下限损失函数，在完全无监督的设置中学习变分自动编码器的有向无环图（DAG）的潜在空间，同时学习一种高斯混合先验和一种新的结构指示因果关系的特征发现方法。测试结果表明，可以在完全无监督的设置中学习可解释的因果结构并同时发现关键特征。

Oct, 2023

本研究提出了一种两级分层目标函数来控制变量块和块内个体变量之间的相对统计独立程度，以通过非监督学习从高维数据中学习无监督表示，实验结果显示该目标函数可以解开离散变量，并提高其他变量的解开程度和泛化能力。

Apr, 2018

量化研究表明，因果神经网络模型通过解耦因果和混淆信号，在对抗性攻击、少样本学习和罕见上下文分类等任务中表现出高的鲁棒性，但尚未进行定量研究以衡量这类因果模型所实现的解耦程度及其与对抗性鲁棒性的关系。本论文使用计算机视觉领域的内容 / 风格解耦计量指标来测量四种最先进的因果神经网络模型的不同因果解耦方面，发现模型解耦因果信号和混淆信号的程度与对抗鲁棒性之间存在显著相关性（r=0.820，p=0.001），同时发现混淆信号在像素级别的信息内容与对抗鲁棒性呈负相关（r=-0.597，p=0.040）。

Aug, 2023

从观察中学习表示纯粹关注于学习一种对预测模型有益的低维紧凑表示。本文开发了一种学习方法，通过使用互信息度量对学习过程进行正则化，从观察数据中学习这种表示，根据假设的因子因果图。我们从理论和实证角度证明，使用学习的因果表示训练的模型在对抗攻击和分布转移方面比基准模型更强健。

Oct, 2023

该研究提出了一种理论上的度量方法来评估机器学习中所谓的 disentangled representations 的质量，这些方法可以让不同的机器学习模型公平地进行比较。

Aug, 2019