Feb, 2024

通过开关变量在隐含因果模型中实现解放

HTML
PDF
TL;DR在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之间切换，实验证明相比基准方法，我们的方法能够稳定地改进可识别的因果表示的学习。
发现论文，激发创造
  • CausalVAE: 变分自编码器中的结构因果解缠

    本文提出了一种基于因果结构的VAE算法CausalVAE，使用因果层将独立外生因素转化为内生因果因素，实现了因果因素的自动发掘和可解释性，实验结果表明CausalVAE提出的因果表示能够在多个数据集上实现对真实因果结构的恢复，同时可以生成对因果结构产生干预的对事实数据。

    Apr, 2020

  • 因果三元组：基于干预中心因果表示学习的开放挑战

    本文提出了Causal Triplet方法，作为因果表示学习的基准，识别潜在的结构是一个具有挑战性和机遇的问题，该任务包括可操作的反事实设置和强调分布鲁棒性的干预下游任务。

    Jan, 2023

  • 通过稀疏因果干预分离潜在表示

    通过将因果关系理论与矢量量化变分自编码器相结合，我们提出了一种新的基于因果动态的去纠缠方法，将量化向量视为因果变量并将其链接在因果图中，通过对因果图进行因果干预，引发影响图像中唯一变化因素的原子转换。同时，我们通过引入一个新的行动检索任务来测试我们的模型。我们在标准的合成和真实世界的去纠缠数据集上进行了测试，结果表明它能够有效地解缠图像变化因素并对图像的高级语义属性进行精确干预，而不影响其质量，即使在不均衡的数据分布下也是如此。

    Feb, 2023

  • 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

  • 利用独立因果机制原则学习因果分离表示

    本文提出了一种基于独立因果机制的因果解缠结的新概念，并提出了ICM-VAE框架来学习因果解缠结表示，使用可学习的基于流的差分同胚函数将噪声变量映射到潜在因果变量，同时为了促进因果因素的解缠结，提出了因果解缠结先验。在相对温和的条件下，我们提供了理论结果，显示出因果因子和机制的可识别性。经验证明，该框架引导出高度解缠结的因果因子，提高了干预的稳健性，并且与因果生成相容。

    Jun, 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

  • 识别线性因果表示中的普遍机制变化

    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

  • 基于纯观测数据的因果解缠理论可识别性保证

    本研究解决了因果解缠中的一个关键问题，即如何仅凭观测数据识别潜在因果因素。作者提出了一种新的方法，通过在非线性因果模型中对潜在变量进行精确表征，不需要进行干预。这一理论成果转化为实用算法，并通过模拟结果验证，其在仅使用观测数据时能够生成有意义的因果表示。

    Oct, 2024

  • 识别线性因果表示中的一般机制变化

    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