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

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

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

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

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

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。

May, 2023

通过扩散基础的因果表示学习 (Diffusion-based Causal Representation Learning，简称 DCRL) 算法，研究了因果表示学习的动态扩散模型，并证实了该方法在识别因果结构和因果变量方面具有可比性的效果。

Nov, 2023

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

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

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