用于推荐系统中偏好理解的因果分离变分自编码器
本文提出了一种基于因果结构的 VAE 算法 CausalVAE,使用因果层将独立外生因素转化为内生因果因素,实现了因果因素的自动发掘和可解释性,实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复,同时可以生成对因果结构产生干预的对事实数据。
Apr, 2020
研究复杂的推荐系统中的用户行为数据所涉及到的潜在因素,提出了基于 VAE 的 “MACRo-mIcro Disentangled Variational Auto-Encoder” 的方法,该方法通过对高级概念和低级因素的分离,可以实现更好的推荐系统性能和更好的用户体验。
Oct, 2019
提出了一种无监督学习的解决方案,称为无概念因果分解 (disentanglement),通过在可观测数据中直接学习概念结构,提出了 CCVGAE 和 CC-Meta-Graph 模型,并在 AUC 方面分别取得了高达 29% 和 11% 的绝对改进。
Nov, 2023
设计一种算法 Guided-VAE,通过提供信号来实现 VAE 的潜在编码 / 嵌入,以学习可控的生成模型,该算法在表示学习,合成 / 采样改进,分类中取得了更好的效果
Apr, 2020
提出了一种称为对比去纠缠顺序变分自动编码器(C-DSVAE)的方法来进行自我监督的去纠缠表示学习,并使用对比估计的互信息以及简单且有效的数据增强技术来引入附加的归纳偏差。实验结果显示,C-DSVAE 在多个度量标准上显著优于现有的最先进方法。
Oct, 2021
本文提出了一种名为 ACVAE 的新方法,利用变分自编码器(VAE)和对抗训练来生成高质量的潜在变量,同时使用对比损失来学习个性化特征,并在捕捉序列的全局和局部相关性之前引入了卷积结构,实现了基于序列的推荐,实验表明,ACVAE 模型胜过其他现有的方法。
Mar, 2021
本文提出了一种利用变分自编码器(DRVAE)实现剂量响应曲线估计的新方法,通过将协变量分解为仪器因子、混淆因子、调整因子和外部噪声因子,从而在连续治疗情景下平衡分解的混淆因子,以实现治疗效果的估计。大量对合成和半合成数据集的实验结果证明,我们的模型优于当前的最先进方法。
Jun, 2024
本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder(DCEVAE)的方法,该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进,在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外,DCEVAE 还提供了公平性正则化,减少信息损失生成自然对照图像。
Nov, 2020
本文提出了一种结合因果结构信息的新型流模型 —— 因果流,设计了 CF-VAE 模型,通过利用因果流增强 VAE 编码器的解缠结能力。进一步引入地面真实因素的监督,证明了该模型的解纠缠可识别性。在合成和真实数据集上的实验结果表明,CF-VAE 可以实现因果解纠缠,并进行干预实验。此外,CF-VAE 在下游任务上表现出优异的性能,并有潜力学习因果因素之间的结构。
Apr, 2023