Independent Mechanism Analysis (IMA) can address non-identifiability issues in nonlinear independent component analysis by assuming an orthogonal Jacobian and can also be applied to higher-dimensional observations based on the manifold hypothesis, with a statistical interpretation.

Dec, 2023

本论文研究了在非线性盲源分离的场景下，具有独立因果机制的模型，可以重获模型的可识别性并绕过一些非可识别性问题。

Jun, 2021

本文提出一种基于独立因果机制（ICM）原理的新梯度学习框架，理论和实验结果表明，这种学习方法可以在训练时利用不同环境之间的分布偏移，使神经网络更加鲁棒，并成功地找到与环境无关的关系，达到了对不稳定环境的泛化能力。

Oct, 2020

通过模拟物理机制，我们开发出一种无监督学习的算法，能够从变换后的数据点中恢复出一组相互独立的机制，并且这些机制可以移植到新的领域中，对于迁移学习有重要的启示和应用。

Dec, 2017

通过机制稀疏正则化，本文引入了一种新颖的解缠结原则，提出了一种表示学习方法，通过同时学习潜在因素和将它们相关联的稀疏因果图模型，实现了解鉴别。通过在潜在因素上应用未知目标干预，清晰地揭示了 ICA 和因果的联系。我们通过展示在模拟中学到的解缠绕表示来验证我们的理论。

Jul, 2021

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

本文提出了一种基于独立因果机制的因果解缠结的新概念，并提出了 ICM-VAE 框架来学习因果解缠结表示，使用可学习的基于流的差分同胚函数将噪声变量映射到潜在因果变量，同时为了促进因果因素的解缠结，提出了因果解缠结先验。在相对温和的条件下，我们提供了理论结果，显示出因果因子和机制的可识别性。经验证明，该框架引导出高度解缠结的因果因子，提高了干预的稳健性，并且与因果生成相容。

Jun, 2023

介绍了一个名为 Causal Component Analysis 的问题，它可以作为 Independent Component Analysis 方法以及 Causal Representation Learning 方法的一个泛化，专注于学习解混函数和因果机制，并通过多个数据集的干预方法以及利用基于概率流的似然方法来确定 CauCA 的可识别性。

May, 2023

自我监督学习是一种通过前馈未标记的数据来预先训练表示的策略，本文提出了一个新的自我监督目标函数 ReLIC，通过对预训练期间使用的代理分类器的显式不变性约束来更有效地利用数据增强，提高了泛化性能，实验表明 ReLIC 在图像分类和游戏领域都具有较好的表现。

Oct, 2020

该研究探讨从多个视角中恢复具有独立组成成分的共同潜在源的问题，并呈现了在使用深度神经网络等功能逼近器时，可以理论上消除混合的新颖可识别性证明。

May, 2019