Jun, 2023

未知干预下因果表征的非参数识别

PDF
TL;DR研究非参数学习中未知干预数据的因果表征学习，证明两个有关变量的观察分布和一次干预足以提供可识别性，同时说明了保留潜在变量之间因果影响的等价解决方案在绘制新数据的因果推论方面的合理性
causal representation learninglatent causal modelnonparametric learninginterventional datacausal graph
发现论文，激发创造
  • 从一般非线性混合干预中学习线性因果表示

    本文研究了从未知潜在干预中学习因果表征的问题，并且证明了在情形下强可辨识性，该情形中潜在分布是高斯分布，混合函数是完全一般化的。

    Jun, 2023

  • 学习未知干预下非参数潜在因果图

    本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

    Jun, 2023

  • 多节点干预下识别线性混合因果表示

    通过多节点干预数据学习因果表示并验证可识别性。

    Nov, 2023

  • 软干预下因果解缠识别保证

    本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

    Jul, 2023

  • 因果表示学习的普适可识别性与可实现性

    该研究论文主要关注于在一般非参数因果潜在模型和将潜在数据映射到观测数据的一般变换模型下的因果表示学习，通过使用潜在因果图中每个节点的两个硬解耦干预来建立可识别性和可实现性结果。

    Oct, 2023

  • 从一般环境中学习因果表示：可识别性和内在歧义

    该论文研究因果关系表示学习，通过从我们观察到的低级数据中恢复高级潜在变量和它们之间的因果关系，假设可以访问从多个环境生成的观测结果。作者提出了一种可证明在无法使用硬干预的情况下所能达到的最佳可识别性概念，并针对线性因果模型和一般非参数因果模型提供了相应的可识别性保证。

    Nov, 2023

  • 部分可观测因果表示学习的稀疏原则

    从具有实例相关的部分可观测性模式的数据集中，通过在推断表示中实施稀疏性，我们提出了两种方法来估计潜在的因果变量。

    Mar, 2024

  • 从多个分布中学习因果表示：一个通用设置

    在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。

    Feb, 2024

  • 识别干预外推的表示

    本文考虑识别性表示学习和干预外推任务，发现可识别表示能有效预测干预对结果的影响，即使干预呈非线性关系。通过结合干预外推任务和可识别表示学习，我们提出了一种新的方法 Rep4Ex，通过对观察特征进行非线性外推，成功预测未观察干预的效应。

    Oct, 2023

  • 未知多节点干预的线性因果表示学习

    本文研究了在未知的多节点干预环境下的干预性因果表示学习，建立了潜在因果模型的参数化或非参数化情况下，从潜在到观测空间的线性转换的随机干预（软干预或硬干预）下的第一个可识别性结果，并给出了相应算法。

    Jun, 2024