基于分数的因果表示学习:线性和一般变换
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
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
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
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
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
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
本研究解决了线性因果表示学习中关于减少环境数量和使用粗略干预的问题。我们提出了一种新颖的识别方法,可以在温和的标准假设下识别出因果图中变化的节点。研究结果表明,该方法在处理样本数据时具有实际应用潜力,并通过综合实验验证了其有效性。
Oct, 2024
本研究解决了线性因果表示学习中存在的一个关键问题,即在较少环境和粗糙干预下识别潜在因果因素的变化。通过提出了一种新的识别方法,证明在标准假设下可以准确识别移位节点,从而为因果推断提供了更灵活的条件和潜在影响。
Oct, 2024