可识别的潜在多项式因果模型:变化的视角
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
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
探讨线性系统中存在测量误差时的因果推断问题,在鉴定列的置换和缩放范围内确定混合矩阵的情况下,发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系,并提出了因果结构学习方法并在合成数据上评估了它们的性能。
Nov, 2022
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
本文提出了一个名为 LiLY 的框架,用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题,该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系,然后通过利用识别出的因果结构,将更正步骤进行公式化,将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改,并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来,通过利用这种模块化的变化表示,我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。
Feb, 2022
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
我们提出了一个统一的框架来研究从同时观察到的多个视图(如不同的数据模态)中学习到的表征的可识别性。我们允许部分观察的设置,其中每个视图都由一些潜在变量的子集的非线性混合构成,这些潜在变量可以有因果关系。我们通过对比学习和每个视图的单个编码器证明,任意数量的视图的所有子集共享的信息可以通过平滑双射进行学习。我们还提供了图形判据,指示哪些潜在变量可以通过一组简单的规则进行识别,我们称之为可识别代数。我们的总体框架和理论结果统一并扩展了关于多视图非线性 ICA、解缠和因果表示学习的几项先前工作。我们在数字、图像和多模态数据集上实验证实了我们的论述。此外,我们证明了我们设置的不同特殊情况下先前方法的性能可以得到恢复。总的来说,我们发现在部分可观察性的一般性较弱的假设下,获取多个部分视图有助于识别更精细的表征。
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