Nov, 2023

潜空间中干扰变量的因果结构表示学习用于推荐

PDF
TL;DR用户偏好、推荐系统、混淆因素、因果图和潜在空间是本研究的关键词，研究探讨了混淆因素对用户偏好的影响和如何在潜在空间中建模，通过因果图的方式分离混淆因素和用户偏好。最后，提出了基于变分自动编码器的模型，命名为潜在空间中混淆因素的因果结构表示学习 (CSC)，通过实验证明了该模型的优越性以及对混淆因素的可控性。
发现论文，激发创造
  • 分离和学习潜在混淆因素以增强用户偏好建模

    提出了一种名为 SLFR 的新框架，通过解开用户偏好和未测量混淆因素的联系，识别反事实反馈，以捕捉用户的真实偏好，并在五个真实世界数据集上进行了广泛的实验证明了该方法的优势。

    Nov, 2023

  • 去共变量化因果协同过滤

    提出了一个去混淆因素的因果协作过滤模型，解决了现实场景下推荐系统可能遇到的无法观测到的混淆因素带来的问题，且在真实数据集上的实验证明了该方法能够更好地提高推荐效果。

    Oct, 2021

  • 在潜变量存在的情况下基于排序的因果结构学习

    本文提出一种基于得分的方法来学习因果图，探讨了如何在存在潜在混淆因素的情况下进行因果结构的发现，并通过提出的贪心算法在合成数据上与现有算法进行比较。

    Oct, 2019

  • 使用具有结构潜在混杂变量的高斯过程进行因果推断

    本文介绍了如何半参数地建模具有结构化潜在混淆因素以提高因果效应估计并给出一个基于椭圆切片取样的贝叶斯推理算法；最后展示了基于这个模型的 GP-SLC 在包括婴儿健康与发展项目和新英格兰州全州能耗变化数据集等三个基准数据集上与广泛使用的因果推断技术相比具有竞争力或更高的准确性。

    Jul, 2020

  • 结构因果三维重建

    本文研究从野外单视图图像中无监督地重建 3D 物体的问题。与现有的方法不同，我们通过隐式正则化来限制潜在空间的结构，以捕捉潜在因素的拓扑因果排序（即将因果依赖关系表示为有向无环图），并根据任务依赖性寻找因果因子排序的多种方法。实验表明，潜在空间结构确实作为一种隐式正则化，为重建引入了有益的归纳偏置。

    Jul, 2022

  • 使用排名约束的潜在分层因果结构发现

    本文提出了一种估算过程，可以高效确定潜在变量的位置，确定它们的基数，并识别潜在的分层结构，同时考虑到多个变量之间的多条路径，使得提出的算法可以在合适的图结构限制下渐近地找到整个图的正确马尔科夫等价类。

    Oct, 2022

  • 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

  • 消除混淆推荐器：推荐的因果推理方法

    推荐系统通过因果分析的方法解决了推荐过程中潜在变量的干扰，引入去混淆因素的推荐模型成功地提高了推荐准确性。

    Aug, 2018

  • 在潜在混淆因素存在的情况下从不定数据中学习恢复因果关系

    本文提出了一种称作混淆分离因果发现算法（Confounding Disentanglement Causal Discovery，简称 biCD）的方法，通过使用因果强度变分模型，将潜在变量作为中介变量来解决存在潜在变量的非确定数据情形下的因果关系发现问题。我们将结果用合成和实际数据进行了验证，证明了该方法的有效性。

    May, 2023

  • 从时间推移到同时迭代的因果发现：在潜在混淆因素存在的情况下

    提出了一种基于约束的算法，用于在存在潜在混杂因素的情况下从观测时间序列数据中学习因果结构，主要通过学习长期的时间关系优化因果图的结构，从而减少了所需统计测试的数量并在人造数据和真实数据上通过实验证明了其高准确性和更接近真实情况的因果图。

    Jun, 2023