- 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。
- 零通胀作为缺失数据问题:基于代理方法的解决方案
将零膨胀数据视为一种普遍类型的缺失数据问题,通过观察到的缺失指示器来实现特定参数的识别和估计,未知关系时采用部分识别策略进行敏感性分析。
- 使用两个潜在向量的统计模型的可识别性:维度关系的重要性及其在图嵌入中的应用
该研究论文提出了一个统计模型,通过引入辅助数据,并建立了各种可辨认性条件,其中包括非线性独立分量分析(ICA),并证明了所提模型的不确定性在某些条件下与线性 ICA 相同。在图数据中应用可辨认性理论,提出了一种可辨认的图嵌入方法,并通过数值 - 差分代数系统的可识别性
本文介绍了一种针对非线性代数微分方程 (DAE) 模型的新型可辨识性测试方法,无需进行非线性变换、指标降低或 DAE 的数值积分。通过对不同的 DAE 模型进行可辨识性分析,展示了系统可辨识性如何依赖于传感器选择、实验条件和模型结构,该研究 - 在功能依赖下识别因果效应
我们研究因果效应的识别,主要包括通过知道因果图中某些变量是由其父变量决定的来实现可识别性,以及通过排除某些功能性变量观察来降低所需的观测数据量。
- 利用全局非凸优化软件检查充分分散条件
本研究论文描述了一个关于矩阵分解问题的重要条件 —— 充分散布条件(SSC),并提出了一种非凸二次优化问题的方法来检验该条件,并应用于实际数据集和真实世界的高光谱图像。
- 比较型深层生成模型的可识别性研究
深层生成模型(DGMs)是学习数据表示的多功能工具,可以充分融入条件概率分布等领域知识。本文提出了一种比较 DGMs 的可识别性理论,并通过将非线性独立成分分析领域的最新进展应用于其上进行扩展。我们证明了当混合函数是分段仿射函数(例如,由 - 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。
- 大型语言模型的水印优化
使用多目标优化问题的系统方法介绍了大规模语言模型、水印、生成型语言模型、可识别性和多目标优化问题相关的本研究领域。
- 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 - 迈向一个统一的对比学习框架以实现解耦表征
通过对多种对比方法的理论分析,本论文扩展了有关数据表达的对比学习的理论保证,并验证了这些发现在多个基准数据集上的实际有效性。
- 多视角因果表示学习与部分可观测性
我们提出了一个统一的框架来研究从同时观察到的多个视图(如不同的数据模态)中学习到的表征的可识别性。我们允许部分观察的设置,其中每个视图都由一些潜在变量的子集的非线性混合构成,这些潜在变量可以有因果关系。我们通过对比学习和每个视图的单个编码器 - MM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。
- 超越结构稀疏性的非线性独立成分分析的泛化
非线性独立分量分析的可辨识性在结构稀疏性、不完备性、灵活分组结构等限制条件下得到了一系列新的可辨识性结果,支持实验证据在合成和真实数据集上。
- 可识别的对比学习与自动特征重要性发现
本文介绍了一种新的三因素对比学习方法(triCL),通过引入一个可学习的对角矩阵 S,使得得到的特征不仅具有可识别性,而且可以按重要性矩阵 S 的顺序进行解释,从而提高了对比学习的能力。
- 高斯过程模型的可辨识性和可解释性研究
本文对使用 Matern 核的加法混合在单输出高斯过程模型中的常见做法进行了批判性分析,并研究了 Matern 核的乘法混合在多输出高斯过程模型中的特性。通过一系列理论结果,我们推导出对于单输出情况,Matern 核的平滑性由最不平滑的成分 - 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。
- 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 - 时间序列因果图的抽象总效应可辨识性
通过观察性时间序列研究干预的总效应的可识别性问题,我们考虑了系统的因果图的两种抽象:扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的,并提供了摘要因果图中可识别性的必要和充分图形条件。此外,我们提供了可调整的集合, - 专家模型的可辨别性
对于具有二元潜在变量层和在已知潜在变量条件下独立同分布的二元可观测层的 Product of Experts 模型的可辨识性进行研究,证明当潜在变量均匀分布时,模型可通过与参数数量相等的可观测量来辨识,并且在更一般的任意分布情况下,模型的可