未知多节点干预的线性因果表示学习

Jun, 2024

未知多节点干预的线性因果表示学习

Linear Causal Representation Learning from Unknown Multi-node Interventions

Burak Varıcı, Emre Acartürk, Karthikeyan Shanmugam, Ali Tajer

TL;DR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。

Abstract

Despite the multifaceted recent advances in interventional causal representation learning (CRL), they primarily focus on the stylized assumption of single-node interventions. This assumption is not valid in a wide range of applications, and generally, the subset of nodes intervened in an interventional environment is fully unknown. This paper focuses on inte

interventional causal representation learning unknown multi-node interventional environments identifiability results latent causal models crl algorithms

发现论文，激发创造

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

基于分数的因果表示学习：线性和一般变换

通过对干预进行建模，由一般的非参数潜在因果模型和将潜在变量映射到观测变量的未知变换进行干预学习，本文提出了基于评分函数的一类算法，既确保了可识别性又确保了可行性。

Feb, 2024

因果表示学习的普适可识别性与可实现性

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

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

可识别因果表示学习：无监督，多视角，和多环境

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

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

一种用于非监督表示学习的因果排序先验

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

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

通过观测变量分组使因果表示学习具备可辨识性

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