关键词causal representation learning
搜索结果 - 31
- 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 - 多域因果表征学习通过弱分布不变性
通过利用多领域数据集中的不变性，我们证明了自动编码器可以确定可稳定区分不同设置下的部分潜在因素。
- 阴影数据集：因果表征学习的新挑战性数据集
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 Pe - 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。
- 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
- 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 - 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。
- ICLR交互式系统中瞬时和时间效应的因果表示学习
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 - 基于操作指导的因果表示学习及其降低监督强度的实现
本研究提出了一种利用 do-operation 的框架，通过交换一对输入中编码的潜在因果因素来实现，探索用相同因果机制生成的样本遵循相同因果关系的信息，同时提出了新的因果表示度量标准，实验结果表明该方法优于现有的最先进方法。
- 生成式多任务学习缓解目标造成的混淆
提出了一种简单，可扩展的方法生成多任务学习 (GMTL)，用于多任务学习的因果表示学习。该方法改变了传统的多任务推理目标，并增强了对目标转移的鲁棒性，它可以与现有的多任务学习方法一起使用而无需额外的训练。我们的结果表明，应用 GMTL 可以 - 走向因果表示学习
论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。