CF-VAE：利用 VAE 和因果流进行因果分离表示学习

Apr, 2023

CF-VAE：利用 VAE 和因果流进行因果分离表示学习

CF-VAE: Causal Disentangled Representation Learning with VAE and Causal Flows

Di Fan, Yannian Kou, Chuanhou Gao

TL;DR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。

Abstract

Learning disentangled representations is important in representation learning, aiming to learn a low dimensional representation of data where each dimension corresponds to one underlying generative factor. Due to the possibility of causal relationships between generative factors, causa

disentangled representations causal structure cf-vae variational autoencoders intervention experiments

发现论文，激发创造

CausalVAE: 变分自编码器中的结构因果解缠

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

利用独立因果机制原则学习因果分离表示

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

无概念因果分解变分图自编码器

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

用于推荐系统中偏好理解的因果分离变分自编码器

本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法

Apr, 2023

基于潜变量交换的弱监督学习解耦表示的 SW-VAE 模型

提出一种名为 SW-VAE 的新型弱监督训练方法，该方法利用数据集的生成因素将输入观测对作为监督信号进行训练，并且引入了逐渐增加学习难度的策略来平滑训练过程。通过多个数据集的实验证明，该模型在表示分离任务上显示出明显的优于最先进方法的改进。

Sep, 2022

因式分解解开纠缠

我们提出了一种被称为 FactorVAE 的方法，它可以无监督地学习从独立变化因素生成的数据中发现因素解耦的表示，并通过提供更好的解耦和重构质量之间的平衡得到改进。此外，我们还介绍了一个新的解耦评估度量，并阐明了常用的解耦评估度量存在的问题。

Feb, 2018

因果制约的解耦表示学习在反事实公平中的应用

本文研究了公平表示学习的问题，通过使用结构表示，可以实现反事实公平性，提出了 Counterfactual Fairness Variational AutoEncoder（CF-VAE）方法，得到了优于基准公平方法的公平性和精度表现。

Aug, 2022

闭环无监督表示解缠与 $β$-VAE 蒸馏和扩散概率反馈

通过提出一种称为 CL-Dis 的闭环无监督表示解缠方法，使用基于扩散的自动编码器（Diff-AE）作为主干，借助 β-VAE 作为副驾驶来提取语义解缠表示，并引入自监督导航策略来识别解缠潜空间中的可解释语义方向，最后设计了一种基于内容跟踪的新度量来评估解缠效果。实验表明，CL-Dis 在真实图像操作和视觉分析等应用中具有优越性。

Feb, 2024

C$^2$VAE：基于高斯 Copula 的 VAE：区别由相联系的表示进行解耦的对比后验

我们提出了一种自我监督的变分自动编码器（VAE），通过自我监督分类器来消除耦合表示，并联合学习解缠的和相关的隐藏因素。

Sep, 2023

流分解表示学习

流式因式分解表示学习是一个新颖的结构化表示学习视角，该模型通过动态最优输运的梯度场生成一组不同输入变换的潜在概率路径，并在标准表示学习基准上获得更高的似然度，同时接近于近似等变模型，具有鲁棒性和广泛适用性。

Sep, 2023