从一般非线性混合干预中学习线性因果表示

Jun, 2023

从一般非线性混合干预中学习线性因果表示

Learning Linear Causal Representations from Interventions under General Nonlinear Mixing

Simon Buchholz, Goutham Rajendran, Elan Rosenfeld, Bryon Aragam, Bernhard Schölkopf...

TL;DR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。

Abstract

We study the problem of learning causal representations from unknown, latent interventions in a general setting, where the latent distribution is Gaussian but the mixing function is completely general. We prove strong identifiability results given unknown single-node interventions, i.e

causal representation latent interventions identifiability quadratic forms precision matrices

发现论文，激发创造

未知干预下因果表征的非参数识别

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

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

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

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

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

基于分数的因果表示学习：线性和一般变换

通过对干预进行建模，由一般的非参数潜在因果模型和将潜在变量映射到观测变量的未知变换进行干预学习，本文提出了基于评分函数的一类算法，既确保了可识别性又确保了可行性。

Feb, 2024

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

可识别的隐含神经因果模型

潜在维度加性噪声模型和潜在后非线性因果模型中的分布转变在因果表示学习中发挥重要作用，能够确定因果表示的可辨识性条件，并将其转化为实际算法，从而获得可靠的潜在因果表示。

Mar, 2024

从未知干预中学习神经因果模型

本研究提出了一个基于连续优化和神经网络的框架，以创建联合观测和干预数据模型的方法，能在不知情干预变量的情况下获得强大的基准结果，包括从合成图和来自 Bayesian Network Repository 的标准图中恢复结构。

Oct, 2019