ICMLFeb, 2022

CITRIS：从时间干预序列中推断因果可辨识性

PDF
TL;DR本文提出了 CITRIS，一个基于变分自编码器的框架，通过观察可能受到干预的图像序列，学习掌握因果关系。与过去文献不同的是，CITRIS 结合了时间因素和观察干预目标，实现了识别标量和多维因果因素（例如 3D 旋转角度）的能力，并使用归一化流扩展到更广泛的情景。实验结果表明，CITRIS 优于以前的方法，甚至可以泛化到因果变量的新实例。
发现论文，激发创造
  • 交互式系统中瞬时和时间效应的因果表示学习

    提出了一种名为 iCITRIS 的因果表示学习方法，用于在时间序列观测中识别可能是多维的因果变量，同时使用可微分因果发现方法学习它们的因果图。该方法能够允许瞬时效应，有效解决了测量或帧速率慢于因果效应的实际应用问题。在三个交互系统数据集上的实验表明，iCITRIS 能够准确识别因果变量及其因果图。

    Jun, 2022

  • 利用时间卷积自编码器推断动力系统的时变耦合

    通过对复杂动态系统中非线性和非平稳性交互的评估，我们引入了用于因果推断的时间自编码 (TACI) 方法，该方法结合了一种新的代理数据度量因果交互和一种新的双头机器学习架构来识别和测量时间变化的因果交互的方向和强度。通过对合成数据集和实际数据集的测试，我们证明了 TACI 在准确量化各种系统中的动态因果交互方面的能力。我们的研究结果显示了该方法相对于现有方法的有效性，并凸显了我们的方法在建立对物理和生物系统中时间变化交互机制的更深入理解方面的潜力。

    Jun, 2024

  • 通过稀疏因果干预分离潜在表示

    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

  • 软干预下因果解缠识别保证

    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

  • 关于因果表示的可重用性与组合性

    DECAF 是一个从时间序列图像学习因果表示的框架，通过与现有的因果表示相结合，在新环境中准确表示只需很少的样本。

    Mar, 2024

  • LLM 在干预数据的时间域因果推断中的增强

    提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

    Apr, 2024

  • 多视角因果表示学习与部分可观测性

    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

  • 学习灵活的时间窗格兰杰因果关系，整合异质干预时间序列数据

    本研究基于异质干预时间序列数据，提出了一种理论上有根据的方法，用于推断 Granger 因果结构并识别未知目标。进一步揭示了学习 Granger 因果结构与恢复干预目标之间的相互促进关系，并在比较实验中证明了我们的方法在学习干预时间序列数据中的 Granger 因果结构方面优于其他鲁棒基准方法。

    Jun, 2024

  • 因果表示学习的普适可识别性与可实现性

    该研究论文主要关注于在一般非参数因果潜在模型和将潜在数据映射到观测数据的一般变换模型下的因果表示学习，通过使用潜在因果图中每个节点的两个硬解耦干预来建立可识别性和可实现性结果。

    Oct, 2023

  • CaRiNG：非可逆生成过程下的学习时序因果表示

    利用非可逆生成时序数据的 CAusal RepresentatIon 的 CaRiNG 方法可可靠地识别因果关系过程，提高实际应用中的时间理解和推理能力。

    Jan, 2024