阴影数据集：因果表征学习的新挑战性数据集

Aug, 2023

阴影数据集：因果表征学习的新挑战性数据集

Shadow Datasets, New challenging datasets for Causal Representation Learning

Jiageng Zhu, Hanchen Xie, Jianhua Wu, Jiazhi Li, Mahyar Khayatkhoei...

TL;DR发现语义因素之间的因果关系是表示学习中的一个新兴话题。而多数因果表示学习（CRL）方法都是完全有监督的，但由于标注成本高昂，因此并不实用。为了克服这一限制，引入了弱监督的 CRL 方法。为了评估 CRL 性能，利用了四个现有数据集，即 Pendulum、Flow、CelebA (BEARD) 和 CelebA (SMILE)。然而，现有的 CRL 数据集只涉及到简单的图形和少量生成因素。因此，我们提出了两个全新的数据集，包含更多多样化的生成因素和更复杂的因果图。此外，当前的真实数据集 CelebA (BEARD) 和 CelebA (SMILE) 的原始因果图与数据集分布不一致，因此我们对它们进行了修改。

Abstract

Discovering causal relations among semantic factors is an emergent topic in representation learning. Most causal representation learning (CRL) methods are fully supervised, which is impractical due to costly labeling. To resolve this restriction, weakly supervised CRL methods were intr

causal representation learning weakly supervised learning generative factors sophisticated causal graphs dataset modifications

发现论文，激发创造

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

基于操作指导的因果表示学习及其降低监督强度的实现

本研究提出了一种利用 do-operation 的框架，通过交换一对输入中编码的潜在因果因素来实现，探索用相同因果机制生成的样本遵循相同因果关系的信息，同时提出了新的因果表示度量标准，实验结果表明该方法优于现有的最先进方法。

Jun, 2022

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

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

弱监督因果表示学习

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

多模态数据的因果分解

利用多模态数据和物理约束来发现具有因果关系的重要特征的因果表示学习算法（causalPIMA）。通过可微分参数化和单个可追踪证据下限损失函数，在完全无监督的设置中学习变分自动编码器的有向无环图（DAG）的潜在空间，同时学习一种高斯混合先验和一种新的结构指示因果关系的特征发现方法。测试结果表明，可以在完全无监督的设置中学习可解释的因果结构并同时发现关键特征。

Oct, 2023

基于因果表示的鲁棒自适应运动预测

从因果表征的角度提出了一种用于解决模式预测中分布偏移脆弱性和知识转移低效性挑战的学习框架，通过不同的损失函数分别处理动态过程中三组潜在变量：不变变量，样式混淆变量和虚假特征。该方法显著优于当前先进的动态模式预测模型。

Nov, 2021

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

弱监督下解缠绕的生成因果表征学习

本文提出一种名为 DEAR 的去混合生成因果表征学习方法，通过使用结构性因果模型作为先验分布和适当的 GAN 算法，利用监督信息对因果结构进行学习，从而实现因果可控生成并提高下游任务的样本效率。

Oct, 2020

抗混淆影响的稳健因果图表示学习

本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集上进行了实验，证明了该模型的预测性能和泛化能力均优于现有方法。

Aug, 2022