Oct, 2023

未知非平稳条件下的时间分解表示学习

PDF
TL;DR在非平稳环境中，本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设，表明在温和条件下，可以从非线性混合中恢复独立的潜在成分，而无需观察辅助变量。我们还提出了 NCTRL，一种基于原则的估计框架，仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明，我们的方法可可靠地识别时间延迟的潜在因果影响，并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。
unsupervised causal representation learningtime-delayed latent causal influencesnonstationary settingmarkov assumptionnctrl
发现论文，激发创造
  • 从一般时间数据中学习暂态因果潜在过程

    通过时间信息学习潜在因果变量的变化规律，使用因果过程先验引入约束来实现条件满足，达到从非线性混合数据中可靠地识别因果潜在过程的目的。

    Oct, 2021

  • 学习潜在因果动态

    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

  • 非定态因果模型的发现和可视化

    本文提出了一个有原则的框架来处理非平稳数据，并开发了一些方法来处理三个重要问题：检测局部机制不平稳的变量以及恢复观测变量之间的因果结构，通过利用变化分布所携带的信息确定某些因果方向，以及开发可视化因果模块的非平稳方法。作者通过各种合成和真实世界数据集的实验结果来展示这些方法的有效性。

    Sep, 2015

  • 隐马尔可夫非线性 ICA：从非平稳时间序列中进行无监督学习

    本文提出了一种新的非线性 ICA 框架，该框架无需手动分割数据，而是结合了隐马尔可夫模型来实现非监督地学习和动态建模，同时证明了该模型的可辨识性。

    Jun, 2020

  • 关于短期因果关系表示的识别

    提出了一种名为 IDOL 的可用于识别瞬时潜在动态的识别框架，借助于稀疏影响约束和基于时间序列数据的上下文信息建立了潜在因果过程的可辨识性结果，通过时间变分推断架构和基于梯度的稀疏规则识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法可以识别潜在的因果过程，并且在具有瞬时依赖关系的多个人体运动预测基准测试中的评估结果表明了我们方法在现实世界环境中的有效性。

    May, 2024

  • 非线性动力系统中的潜在状态转变识别

    本文旨在通过恢复底层的低维潜在状态及其时间演化来改进动力系统的泛化能力和解释能力。我们提出了一种基于变分自编码器的实用算法，并在逼真的合成环境中进行了实证研究，证明我们能够高准确性地恢复潜在状态动力学，相应地实现高未来预测准确性，并且能够快速适应新环境。

    Jun, 2024

  • 何时和如何：学习可识别的非固定时间序列预测潜在状态

    我们提出了一种基于可识别的潜在环境状态（IDEA）的方法来检测分布转变发生的时间，并通过充分观察假设来解耦稳态和非稳态潜在状态的变化，其中包括自回归隐马尔可夫模型来估计潜在环境和模块化先验网络来识别潜在状态。在各种基准数据集上，IDEA 模型优于几种最新的非稳态预测方法，突显了其在实际场景中的优势。

    Feb, 2024

  • 从异质 / 非平稳数据中独立变化进行因果推断

    本文提出了一种基于约束的因果发现框架，称为 CD-NOD，用于从异构 / 非平稳数据中查找原因骨架和方向，并估计机制变化的属性。该方法在各种合成和真实数据集上进行了实验验证，证明了其有效性。

    Mar, 2019

  • 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

  • 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