Oct, 2023

通过观测变量分组使因果表示学习具备可辨识性

PDF
TL;DRCausal 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.
causal representation learningcausal modelidentifiability conditionsobservational mixingself-supervised estimation
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 因果组成分析

    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

  • 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

  • 混合观测确定鲁棒因果表达方式

    从观察中学习表示纯粹关注于学习一种对预测模型有益的低维紧凑表示。本文开发了一种学习方法，通过使用互信息度量对学习过程进行正则化，从观察数据中学习这种表示，根据假设的因子因果图。我们从理论和实证角度证明，使用学习的因果表示训练的模型在对抗攻击和分布转移方面比基准模型更强健。

    Oct, 2023

  • 非线性不变风险最小化：一种因果方法

    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

  • 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

  • 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