通过混合预言学习潜在因果关系图
本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法,不需要进行参数假设,并且不需要已知潜在变量的数量,每个潜在变量最多只需要一个未知干预,通过引入虚集和孤立边的两个新图形概念,可构造性地证明了这种方法的可行性。
Jun, 2023
在非参数的因果表示学习中,通过稀疏约束和适当的因果影响条件,可以恢复有向无环图的势化图,从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。
Feb, 2024
我们提出了一个统一的框架来研究从同时观察到的多个视图(如不同的数据模态)中学习到的表征的可识别性。我们允许部分观察的设置,其中每个视图都由一些潜在变量的子集的非线性混合构成,这些潜在变量可以有因果关系。我们通过对比学习和每个视图的单个编码器证明,任意数量的视图的所有子集共享的信息可以通过平滑双射进行学习。我们还提供了图形判据,指示哪些潜在变量可以通过一组简单的规则进行识别,我们称之为可识别代数。我们的总体框架和理论结果统一并扩展了关于多视图非线性 ICA、解缠和因果表示学习的几项先前工作。我们在数字、图像和多模态数据集上实验证实了我们的论述。此外,我们证明了我们设置的不同特殊情况下先前方法的性能可以得到恢复。总的来说,我们发现在部分可观察性的一般性较弱的假设下,获取多个部分视图有助于识别更精细的表征。
Nov, 2023
本文研究从野外单视图图像中无监督地重建 3D 物体的问题。与现有的方法不同,我们通过隐式正则化来限制潜在空间的结构,以捕捉潜在因素的拓扑因果排序(即将因果依赖关系表示为有向无环图),并根据任务依赖性寻找因果因子排序的多种方法。实验表明,潜在空间结构确实作为一种隐式正则化,为重建引入了有益的归纳偏置。
Jul, 2022
本文提出了一种称作混淆分离因果发现算法(Confounding Disentanglement Causal Discovery,简称 biCD)的方法,通过使用因果强度变分模型,将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证,证明了该方法的有效性。
May, 2023
提出一种将生成式无监督特征学习与概率上的三元组信息处理相结合的方法,将隐式的 oracle 知识转移为显式的非线性贝叶斯潜在因子模型,并证明该方法在学习表示方面优于以前的度量学习方法和没有此类副信息的生成模型。
Jun, 2015
该研究探讨了从高维数据中学习因果表示的挑战性问题,并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法,在半监督和无监督的情况下进行了实验,表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。
Jul, 2022