Apr, 2019

使用非线性 ICA 进行具有普适非线性关系的因果发现

PDF
TL;DR研究非线性关系下的因果发现问题，提出基于非线性独立成分分析的方法，通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向，并扩展到多变量因果发现，最终通过神经成像数据证明该方法的有效性。
causal discoverynon-linear relationshipsnon-stationarityindependence testsneuroimaging data
发现论文，激发创造
  • 利用辅助变量和广义对比学习的非线性 ICA

    提出了一种基于辅助变量增广数据的非线性 ICA 的泛化框架，通过对真实的增广数据和随机化辅助变量的模拟数据进行判别式学习，实现了该框架的计算机实现，并证明了该模型的可识别性和一致性。

    May, 2018

  • 基于独立性检验的测量误差和线性非高斯模型因果发现方法

    本文提出了一种基于 Transformed Independent Noise (TIN) 的方法，用于解决测量误差下的因果图结构恢复问题，相比现有方法，TIN 条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。

    Oct, 2022

  • 非线性 ICA 的可辨识性：稀疏性与更多拓展研究

    通过在混合过程中添加约束条件（如结构稀疏性），我们在不需要辅助变量的情况下，实现了非线性 ICA 的非平凡可识别性。

    Jun, 2022

  • 线性非高斯循环模型的局部因果发现

    本研究介绍了一种使用线性非高斯模型的广义的、统一的局部因果发现方法，无论是循环还是非循环。我们将独立成分分析的应用从全局上下文扩展到独立子空间分析，能够从目标变量的马尔科夫毯中准确识别等效的局部有向结构和因果强度。对于特殊的非循环场景，我们还提出了一种基于回归的替代方法。我们的可识别性结果在合成和真实数据集上得到了实证验证。

    Mar, 2024

  • 使用级联非线性加性噪声模型进行因果关系发现

    提出了一种级联非线性加性噪声模型，可以发现难以被非线性加性噪声模型正确揭示的因果关系。该研究还在变分自编码器框架下提出一种方法来估计该模型并克服了实践中存在的一些问题。

    May, 2019

  • 非线性独立成分分析的空间数据可识别特征学习

    最近，非线性独立成分分析（nonlinear ICA）已经成为深度表示学习和特征解缠中许多启发式模型的热门替代方法之一。本文介绍了一种新的非线性 ICA 框架，采用适用于具有高维度依赖结构的数据的 $t$-process (TP) 潜在成分。我们发展了一种新的学习和推理算法，将变分推断方法扩展到将深度神经网络混合函数与 TP 先验结合起来，并采用诱导点的方法以提高计算效率。在理论方面，我们证明了这些 TP 独立成分在非常普遍的条件下是可识别的。此外，高斯过程（GP）非线性 ICA 被建立为 TP 非线性 ICA 模型的极限，并且我们证明了该 GP 极限下潜在成分的可识别性更受限制。也就是说，只有当这些成分具有不同的协方差核时，它们才是可识别的。我们的算法和可识别性定理在模拟空间数据和真实的时空数据上进行了探索。

    Nov, 2023

  • 隐马尔可夫非线性 ICA：从非平稳时间序列中进行无监督学习

    本文提出了一种新的非线性 ICA 框架，该框架无需手动分割数据，而是结合了隐马尔可夫模型来实现非监督地学习和动态建模，同时证明了该模型的可辨识性。

    Jun, 2020

  • 检测大规模非线性时间序列数据中的因果关系

    提出了一种结合线性或非线性条件独立性检验与因果发现算法的方法，可以从大规模时间序列数据集中重构因果网络，从而在气候科学或神经科学等研究领域中识别因果关系。

    Feb, 2017

  • 超越结构稀疏性的非线性独立成分分析的泛化

    非线性独立分量分析的可辨识性在结构稀疏性、不完备性、灵活分组结构等限制条件下得到了一系列新的可辨识性结果，支持实验证据在合成和真实数据集上。

    Nov, 2023

  • 多视角非线性 ICA 的可识别性结果：不完整的罗塞塔石问题

    该研究探讨从多个视角中恢复具有独立组成成分的共同潜在源的问题，并呈现了在使用深度神经网络等功能逼近器时，可以理论上消除混合的新颖可识别性证明。

    May, 2019