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
本文研究了从未知潜在干预中学习因果表征的问题，并且证明了在情形下强可辨识性，该情形中潜在分布是高斯分布，混合函数是完全一般化的。
本文研究了在未知的多节点干预环境下的干预性因果表示学习，建立了潜在因果模型的参数化或非参数化情况下，从潜在到观测空间的线性转换的随机干预（软干预或硬干预）下的第一个可识别性结果，并给出了相应算法。
Jun, 2024
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
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
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。
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。
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
从具有实例相关的部分可观测性模式的数据集中，通过在推断表示中实施稀疏性，我们提出了两种方法来估计潜在的因果变量。
Mar, 2024
本文考虑识别性表示学习和干预外推任务，发现可识别表示能有效预测干预对结果的影响，即使干预呈非线性关系。通过结合干预外推任务和可识别表示学习，我们提出了一种新的方法 Rep4Ex，通过对观察特征进行非线性外推，成功预测未观察干预的效应。
Oct, 2023