多模态数据的因果分解

Oct, 2023

Causal disentanglement of multimodal data

Elise Walker, Jonas A. Actor, Carianne Martinez, Nathaniel Trask

TL;DR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。

Abstract

causal representation learning algorithms discover lower-dimensional representations of data that admit a decipherable interpretation of cause and effect; as achieving such interpretable representations is challenging, many causal learning algorithms utilize elements indicating prior i

causal representation learning multimodal data physics-based constraints directed acyclic graph feature discovery

发现论文，激发创造

通过潜在的部分因果模型揭示多模态对比表示学习

用于多模态数据的统一因果模型，通过线性独立成分分析的方法，可以提高对多模态对比表示学习的理解和分析深度，发现预训练的多模态模型可以通过学习解缠表示来提高其性能和鲁棒性。

Feb, 2024

利用独立因果机制原则学习因果分离表示

本文提出了一种基于独立因果机制的因果解缠结的新概念，并提出了 ICM-VAE 框架来学习因果解缠结表示，使用可学习的基于流的差分同胚函数将噪声变量映射到潜在因果变量，同时为了促进因果因素的解缠结，提出了因果解缠结先验。在相对温和的条件下，我们提供了理论结果，显示出因果因子和机制的可识别性。经验证明，该框架引导出高度解缠结的因果因子，提高了干预的稳健性，并且与因果生成相容。

Jun, 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

基于划分的解缠：一种用于多模态感官数据的表示学习框架

本文提出了一种基于 PVAE 的多模态生成模型，可将共享因素和模态相关因素编码为不同的潜变量，用于生成符合不同语义和风格要求的条件数据，并利用发现的语义单元在两个音频 / 图像数据集上完成了定量和定性的评估。

May, 2018

多视角因果表示学习与部分可观测性

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

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

因果分离表示

通过因果视角下关联因素的不懈探索，我们提出了两个衡量因果解缠的新指标及数据集，并在最新的表述学习器中进行了实证研究。

Dec, 2021

强若不倒的分离因果机制：验证深度表达对干预健壮性的有效性

通过因果视角提供了一种新的方法来量化深度潜变量模型，并提供了一个高效的估算方法。

Oct, 2018

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

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