基于操作指导的因果表示学习及其降低监督强度的实现

Jun, 2022

基于操作指导的因果表示学习及其降低监督强度的实现

Do-Operation Guided Causal Representation Learning with Reduced Supervision Strength

Jiageng Zhu, Hanchen Xie, Wael AbdAlmageed

TL;DR本研究提出了一种利用 do-operation 的框架，通过交换一对输入中编码的潜在因果因素来实现，探索用相同因果机制生成的样本遵循相同因果关系的信息，同时提出了新的因果表示度量标准，实验结果表明该方法优于现有的最先进方法。

Abstract

causal representation learning has been proposed to encode relationships between factors presented in the high dimensional data. However, existing methods suffer from merely using a large amount of labeled data and ignore the fact that samples generated by the same causal mechanism fol

causal representation learning do-operation latent cause and effect factors causal relationships causal representation metrics

发现论文，激发创造

弱监督因果表示学习

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

弱监督下解缠绕的生成因果表征学习

本文提出一种名为 DEAR 的去混合生成因果表征学习方法，通过使用结构性因果模型作为先验分布和适当的 GAN 算法，利用监督信息对因果结构进行学习，从而实现因果可控生成并提高下游任务的样本效率。

Oct, 2020

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

从因果对到因果图

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022

阴影数据集：因果表征学习的新挑战性数据集

发现语义因素之间的因果关系是表示学习中的一个新兴话题。而多数因果表示学习（CRL）方法都是完全有监督的，但由于标注成本高昂，因此并不实用。为了克服这一限制，引入了弱监督的 CRL 方法。为了评估 CRL 性能，利用了四个现有数据集，即 Pendulum、Flow、CelebA (BEARD) 和 CelebA (SMILE)。然而，现有的 CRL 数据集只涉及到简单的图形和少量生成因素。因此，我们提出了两个全新的数据集，包含更多多样化的生成因素和更复杂的因果图。此外，当前的真实数据集 CelebA (BEARD) 和 CelebA (SMILE) 的原始因果图与数据集分布不一致，因此我们对它们进行了修改。

Aug, 2023

随机因果系数

本研究使用核均值嵌入分类将因果推断作为问题，从数据中直接学习因果推理，并在合成和实际数据上验证了方法的性能，赢得了 ChaLearn’s “Fast Causation Coefficient Challenge” 的 the fastest code prize，并排名第三.

Sep, 2014

一种用于非监督表示学习的因果排序先验

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

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

祖先因果推断

提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

Jun, 2016

通过观测变量分组使因果表示学习具备可辨识性

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