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
在非参数的因果表示学习中,通过稀疏约束和适当的因果影响条件,可以恢复有向无环图的势化图,从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。
Feb, 2024
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
利用加性噪声模型实现无监督表示学习,并通过潜在分布的 Hessian 构建损失函数以鼓励潜在空间遵循因果排序。
Jul, 2023
本文基于一组弱监督条件,通过隐式潜因果模型的方式,为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。
Mar, 2022
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
从观察中学习表示纯粹关注于学习一种对预测模型有益的低维紧凑表示。本文开发了一种学习方法,通过使用互信息度量对学习过程进行正则化,从观察数据中学习这种表示,根据假设的因子因果图。我们从理论和实证角度证明,使用学习的因果表示训练的模型在对抗攻击和分布转移方面比基准模型更强健。
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
本文提出了一个名为 LiLY 的框架,用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题,该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系,然后通过利用识别出的因果结构,将更正步骤进行公式化,将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改,并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来,通过利用这种模块化的变化表示,我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。
Feb, 2022
在非平稳环境中,本研究通过探索具有时间延迟因果关系的过程下的马尔可夫假设,表明在温和条件下,可以从非线性混合中恢复独立的潜在成分,而无需观察辅助变量。我们还提出了 NCTRL,一种基于原则的估计框架,仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。经验评估表明,我们的方法可可靠地识别时间延迟的潜在因果影响,并在很大程度上胜过无法充分利用非平稳性并因此无法区分分布变化的现有基线方法。