- 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 - 具有无意识污染的 GLM 回归
该研究论文介绍了第一个能够处理加性忽略噪声下广义线性模型(GLM)回归问题的算法,该算法能够处理超过一半样本受到任意损坏的情况,并提供了识别性的必要和充分条件。
- 子群体中的因果效应识别
在子群体中的因果推断涉及确定干预对更大总体中特定子群体的因果效应。我们提出并倡导一种子群体中的因果推断问题(简称 s-ID),其中我们仅能访问目标子群体的观测数据(与整个总体相比)。现有的子群体推断问题基于所给数据分布源于整个总体的前提,因 - OCDaf:使用自回归流进行有序因果发现
我们提出了一种名为 OCDaf 的新型基于顺序的方法,用于从观测数据中学习因果图,并在多元异方差噪声模型中建立了因果图的可辨识性,通过连续搜索算法寻找因果结构,实验结果在 Sachs 和 SynTReN 基准测试中表现出了最先进的性能,并且 - 具有延时格兰杰因果性的 Hawkes 过程
我们旨在基于多元 Hawkes 过程明确地建模滞后的 Granger 因果效应。通过模拟滞后参数的后验分布来推断时间滞后,我们进一步研究了一个复杂环境下的模型估计方法,该方法对于事件预测和时间滞后推断的准确性在合成和真实数据上取得了良好的结 - 从因果图总结中确定直接影响的可辨识性
本文介绍了一个完整的可识别性结果,该结果表征了所有情况,其中从总结因果图中直接效应可以图形化识别,并提供了两个可靠的有限调整集,可以用来估计直接效应。
- 通过密度地标检测离散化潜在坐标系统的可辨识性
本文开发了一种新的不要求非独立性的、称为量化坐标可识别性的可识别性形式,并全面证明了离散坐标的恢复
- 利用任务结构改善神经网络表示的可识别性
本论文通过考虑任务分布的影响,扩展了监督学习中可辨识性的理论。研究表明,即使在回归情况下,可辨识性也是可以实现的。当任务具有因果结构时,我们的方法可以通过最大边缘似然优化实现下游应用于因果表征学习,并且通过实验证实了我们的模型在恢复合成和真 - 有关条件因果效应的可识别性
本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题,特别将正性假设显式引入,提出了相应的 sound and complete 算法,为 Lee et al. [2020] 和 Correa et - ICML域自适应的部分可识别性
本研究针对无标签信息的目标领域,依靠因果机制的最小变化特性来最小化分布偏移的影响,利用两个分区潜在子空间的潜在变量模型来约束域移,证明潜在变量是部分可识别的,提出一种实用的域适应框架 iMSDA,并在基准数据集上取得了优于现有算法的实验结果 - 因子图模型视角下的干预泛化
本文利用因子图模型的语言,对干预因素模型 (IFM) 的可辨识性进行了分析,并通过实验数据来推导出 IFM 的必要和充分条件,以及实现将预期的结果推广到从未在数据中观察过的新条件的实用算法。
- 贝叶斯模型选择进行因果发现
应用贝叶斯框架构建了一个新的因果模型,利用可识别因果方向的贝叶斯模型选择方法,在柔性模型类别中解决了数据集中的因果关系判断问题并且在各种生成数据假设下的性能优异。
- 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。
- 非可识别隐藏混淆条件下的德尔菲离线强化学习
本文提出了解决 offline reinforcement learning 中的隐蔽性混杂效应问题的方法,借助与观察相容的世界模型的不同处理,提出了 delphic 不确定性问题,试图减少混杂偏差和提高 offline RL 算法的实际效 - 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 - 从数据中学习具有少量根因的有向无环图(DAG)
提出了一种新的算法,从线性结构方程模型(SEM)生成的数据中学习有向无环图(DAG)。该算法证明在新设置中的可识别性,并显示与之前的 DAG 学习方法相比,少量有噪声的 root causes 能提供优异性能。
- 马尔科夫转换模型的可辨识性
本文研究了 Markov Switching Models 的可识别性,探讨了其在序列潜变量模型中的应用,并给出了基于非线性高斯的转移分布参数化方法,实验结果表明此方法可用于因果发现和高维时间序列分割。
- IJCAI从多视角时间序列中识别潜在过程
本文提出了一种名为 MuLTI 的新型框架,利用对比学习技术来反转数据生成过程以提高可识别性,并采用置换机制通过建立最优传输公式合并相应的重叠变量,从而在合成和真实世界数据集上展示了我们方法在多视图时间序列中恢复可识别潜在变量方面的卓越性能 - 使用代理变量从子采样时间序列中进行因果发现
本论文提出了一种基于无模型的算法,使用代理变量方法识别从子采样时间序列中提取出的整个因果结构,能够非常好的处理未观测到的时间步问题,具有较好的理论优势并获得了实验结果的支持。
- ICLR多模态对比学习的可识别性结果
通过定义多种机制以及与机制特定的潜在变量,本文证明了对比学习可以在多模式下阻止识别那些在模态之间共享的潜在因素,从而为多模式表示学习提供了理论基础,并说明了在哪些情况下多模式对比学习在实践中有效。