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。

Sep, 2021

研究深度神经网络在表示学习中的可辨认性，并从非线性独立成分分析的角度提出一种恢复可辨认性的方法，提出了一系列充分条件和证据，证明一大类具有判别性的模型在功能空间上具有线性可辨认性。

Jul, 2020

通过学习具有因果模型语义的潜在变量表示形式，此研究论文探讨了因果模型在人工智能中的应用和理论基础，重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。

Jun, 2024

Causal Representation Learning (CRL) is an ill-posed problem combining representation learning and causal discovery, and this paper presents a novel approach based on weak constraints and observational mixing, which achieves identifiability without temporal structure, intervention, or weak supervision. The paper also introduces a self-supervised estimation framework that outperforms existing baselines in CRL and demonstrates robustness against latent confounders and causal cycles.

Oct, 2023

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024

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

该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

Nov, 2023

研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性

Jun, 2023

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

利用加性噪声模型实现无监督表示学习，并通过潜在分布的 Hessian 构建损失函数以鼓励潜在空间遵循因果排序。

Jul, 2023