Nov, 2023

多视角因果表示学习与部分可观测性

HTML
PDF
TL;DR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。
发现论文，激发创造
  • CITRIS：从时间干预序列中推断因果可辨识性

    本文提出了CITRIS，一个基于变分自编码器的框架，通过观察可能受到干预的图像序列，学习掌握因果关系。与过去文献不同的是，CITRIS结合了时间因素和观察干预目标，实现了识别标量和多维因果因素（例如3D旋转角度）的能力，并使用归一化流扩展到更广泛的情景。实验结果表明，CITRIS优于以前的方法，甚至可以泛化到因果变量的新实例。

    Feb, 2022

  • 未知干预下因果表征的非参数识别

    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

  • 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

  • 可识别的潜在多项式因果模型：变化的视角

    从观察到的低级数据中揭示潜在高级因果表征是因果表征学习的目标之一，本文通过对多个环境中潜在因果变量之间因果影响的变化进行识别性探索，扩展了潜在因果模型的范围以涉及非线性因果关系，并且提出了一种新的经验估计方法，通过理论发现为学习一致的潜在因果表征提供了可行性。

    Oct, 2023

  • 通过观测变量分组使因果表示学习具备可辨识性

    Causal 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.

    Oct, 2023

  • 多节点干预下识别线性混合因果表示

    通过多节点干预数据学习因果表示并验证可识别性。

    Nov, 2023

  • 从一般环境中学习因果表示：可识别性和内在歧义

    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

  • 部分可观测因果表示学习的稀疏原则

    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

  • 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

  • 非线性独立表示的持续学习

    本研究针对在序列中发生的分布变化问题，探讨如何实现持续因果表示学习，以增强模型对识别变量的理解。文章提出了一种新的方法，借助非线性独立成分分析框架，理论和实证表明，模型的可识别性随分布次数的增加而提升，而新分布的引入并不必然有利于所有潜在变量的识别。

    Aug, 2024