Nov, 2023

高斯线性时间不变系统独立分量分析中的可辨识性的干预视角

PDF
TL;DR研究论证了在动态系统中系统识别和干预设计之间的关系，并展示在高斯线性时不变（LTI）系统中，通过引入多样干预信号，可以识别系统参数。
system identificationintervention designdynamical systemsindependent component analysisgaussian linear time-invariant systems
发现论文，激发创造
  • 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

  • 从一般非线性混合干预中学习线性因果表示

    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。

    Jun, 2023

  • 学习未知干预下非参数潜在因果图

    本文介绍了一种在潜在空间中通过未知干预重建潜在因果图的方法，不需要进行参数假设，并且不需要已知潜在变量的数量，每个潜在变量最多只需要一个未知干预，通过引入虚集和孤立边的两个新图形概念，可构造性地证明了这种方法的可行性。

    Jun, 2023

  • 软干预下因果解缠识别保证

    本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

    Jul, 2023

  • 多视角非线性 ICA 的可识别性结果：不完整的罗塞塔石问题

    该研究探讨从多个视角中恢复具有独立组成成分的共同潜在源的问题，并呈现了在使用深度神经网络等功能逼近器时，可以理论上消除混合的新颖可识别性证明。

    May, 2019

  • 将因果表示学习与动力系统结合用于科学

    我们将因果表示学习与动力系统以及其假设联系起来，应用在可辨识的方法上，建立可辨识且实用的模型，从而解决下游任务，如分布外分类和治疗效果估计，并在真实气候数据中成功回答与现有气候变化文献相符的下游因果问题。

    May, 2024

  • 干预数据的可微因果发现

    本文提出了一种新的方法，基于神经网络和流形变换，使用干预数据来学习因果有向无环图，该方法在多种情况下表现出与现有技术相媲美的灵活性和可行性。

    Jul, 2020

  • 从单轨迹非渐近辨识线性时不变系统

    该研究论文研究并给出了稳定的 Ho-Kalman 算法，结合马尔科夫参数的样本复杂性结果，提供数据分析，准确性和高度概率下实现了学习至所需精度的平衡实现。

    Jun, 2018

  • 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

  • 部分干预因果模型

    该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

    Oct, 2021