关于因果表示的可重用性与组合性
通过学习具有因果模型语义的潜在变量表示形式,此研究论文探讨了因果模型在人工智能中的应用和理论基础,重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。
Jun, 2024
通过扩散基础的因果表示学习 (Diffusion-based Causal Representation Learning,简称 DCRL) 算法,研究了因果表示学习的动态扩散模型,并证实了该方法在识别因果结构和因果变量方面具有可比性的效果。
Nov, 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
介绍了一个名为 Causal Component Analysis 的问题,它可以作为 Independent Component Analysis 方法以及 Causal Representation Learning 方法的一个泛化,专注于学习解混函数和因果机制,并通过多个数据集的干预方法以及利用基于概率流的似然方法来确定 CauCA 的可识别性。
May, 2023
提出了一种名为 iCITRIS 的因果表示学习方法,用于在时间序列观测中识别可能是多维的因果变量,同时使用可微分因果发现方法学习它们的因果图。该方法能够允许瞬时效应,有效解决了测量或帧速率慢于因果效应的实际应用问题。在三个交互系统数据集上的实验表明,iCITRIS 能够准确识别因果变量及其因果图。
Jun, 2022
研究人员通过借鉴因果关系文献的见解,引入因果关系和强化学习,划分了现有 Causal Reinforcement Learning (CRL) 方法的两类,并分析了每一类的不同模型的形式化。
Feb, 2023
发现语义因素之间的因果关系是表示学习中的一个新兴话题。而多数因果表示学习(CRL)方法都是完全有监督的,但由于标注成本高昂,因此并不实用。为了克服这一限制,引入了弱监督的 CRL 方法。为了评估 CRL 性能,利用了四个现有数据集,即 Pendulum、Flow、CelebA (BEARD) 和 CelebA (SMILE)。然而,现有的 CRL 数据集只涉及到简单的图形和少量生成因素。因此,我们提出了两个全新的数据集,包含更多多样化的生成因素和更复杂的因果图。此外,当前的真实数据集 CelebA (BEARD) 和 CelebA (SMILE) 的原始因果图与数据集分布不一致,因此我们对它们进行了修改。
Aug, 2023
本文提出了一种名为因果关系网络的算法,采用神经网络学习因果模型,并使用连续表示方法表示因果模型,从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型,同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的效果。
Aug, 2020
本文综合评述了深度学习在因果学习中的贡献,解决了传统因果学习方法中的许多问题,并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性,并成为通用人工智能中不可或缺的一部分。
Nov, 2022