Jul, 2024

基于高阶累积量的线性因果解耦

HTML
PDF
TL;DR线性因果解缠是一种最近的因果表示学习方法，通过具有它们之间因果依赖关系的潜在变量来描述一组观察变量。本研究研究了线性因果解缠的可识别性，在假设对多个情境的数据有访问权限的情况下，每个情境通过对一个潜在变量进行干预来确定参数，我们给出了一个基于耦合张量分解计算参数的构造性证明。对于软干预，通过研究一组多项式方程，我们找到了与观测数据一致的潜在图和参数的等价类。我们的结果基于非零高阶累积量的存在，这意味着变量的非高斯性。
发现论文，激发创造
  • 线性潜变量模型中受测量误差影响的因果推断

    探讨线性系统中存在测量误差时的因果推断问题，在鉴定列的置换和缩放范围内确定混合矩阵的情况下，发现这个问题与存在未观察到的无父原因的因果推断问题之间有相当惊人的联系，并提出了因果结构学习方法并在合成数据上评估了它们的性能。

    Nov, 2022

  • 因果组成分析

    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

  • 基于高阶累积量的潜在混杂因素因果发现

    针对具有潜在混杂因素的因果关系发现问题，通过利用高阶累积量，提出一种基于独立分量分析的解决方法，可以自动检测潜在变量，确定因果顺序，并扩展到多个潜在变量的情况下。实验明确了该方法的正确性和有效性。

    May, 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

  • 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

  • 软干预下因果解缠识别保证

    本论文提出了一种基于潜在变量和因果模型的预测建模方法，以预测基因组学中联合扰动效应，并证明了该模型在无限数据极限下可以恢复潜在因果模型。

    Jul, 2023

  • 可识别的潜在多项式因果模型：变化的视角

    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

  • 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

  • 基于高阶累积量的潜变量因果结构识别

    通过利用非高斯数据的高阶累积量，我们提出一种用于估计因果系数或其比例的解析解，并通过估计后的（比例）因果系数，提出一种新的方法来确定受潜变量影响的两个观测变量之间是否存在因果边，以及在存在这样的因果边时引入了一种非对称性准则来确定因果方向，实验结果表明了我们提出方法的有效性。

    Dec, 2023

  • 非参数局部解缠机制稀疏化: 稀疏动作、干预和稀疏时序依赖关系

    提出了一种称为“机制稀疏正则化”的解缠方法，通过同时学习潜在因素和解释它们的稀疏因果图模型来诱导解缠，展示了该方法的可行性和其所依赖的假设，并提出了基于变分自动编码器和稀疏约束的估计过程，并在多个合成数据集上进行了验证。

    Jan, 2024