May, 2023

因果组成分析

PDF
TL;DR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。
independent component analysiscausal representation learningcausal component analysisidentifiabilitynormalizing flows
发现论文，激发创造
  • 可识别因果表示学习：无监督，多视角，和多环境

    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

  • 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

  • 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

  • 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

  • 基于对比学习的非线性独立成分分析的有限样本可识别性

    本文对基于对比学习的非线性独立分量分析进行了有限样本识别能力分析，该分析框架聚合了 GCL loss 函数的特性，统计概括分析和数值微分，并考虑到学习函数的逼近误差。

    Jun, 2022

  • 使用非线性 ICA 进行具有普适非线性关系的因果发现

    研究非线性关系下的因果发现问题，提出基于非线性独立成分分析的方法，通过一系列独立性检验来推断具有双边因果关系的变量之间的因果方向，并扩展到多变量因果发现，最终通过神经成像数据证明该方法的有效性。

    Apr, 2019

  • 非线性 ICA 的可辨识性：稀疏性与更多拓展研究

    通过在混合过程中添加约束条件（如结构稀疏性），我们在不需要辅助变量的情况下，实现了非线性 ICA 的非平凡可识别性。

    Jun, 2022

  • 独立机制分析，一个新概念？

    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

  • 非线性不变风险最小化：一种因果方法

    提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。

    Feb, 2021

  • 利用辅助变量和广义对比学习的非线性 ICA

    提出了一种基于辅助变量增广数据的非线性 ICA 的泛化框架，通过对真实的增广数据和随机化辅助变量的模拟数据进行判别式学习，实现了该框架的计算机实现，并证明了该模型的可识别性和一致性。

    May, 2018