表示学习的期望：因果关系的视角

Sep, 2021

表示学习的期望：因果关系的视角

Desiderata for Representation Learning: A Causal Perspective

Yixin Wang, Michael I. Jordan

TL;DR本文从因果学的角度对表示学习进行了研究，用反事实量和因果断言的可观测后果量化了非平凡性和效率（在监督表示学习中）以及解缠（在无监督表示学习中），生成了可计算的度量标准，用于评估表示的满足的感兴趣的条件程度，并从单个观测数据集中学习到非平凡和解缠的表示。

Abstract

representation learning constructs low-dimensional representations to summarize essential features of high-dimensional data. This learning problem is often approached by describing various desiderata associated with learned representations; e.g., that they be non-spurious, efficient, o

representation learning supervised learning unsupervised learning non-spuriousness disentanglement

发现论文，激发创造

无监督学习中可识别性的陷阱：关于《表示学习的期望：因果透视》的注解

本文讨论了一种可能的未标识结果，说明了非线性独立成分分析理论基础上的建构，并通过适当构造的反例说明了表示学习中的其他反例及其可识别性。

Feb, 2022

因果分离表示

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

混合观测确定鲁棒因果表达方式

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

可识别因果表示学习：无监督，多视角，和多环境