- 基于均匀信道模型的分类数据因果区分
本文提出了一种用于区分具有意义排序的集合的分类变量中因果关系的统计学方法,它被命名为统一信道模型 (UCM),该方法基于对条件概率质量函数 (PMF) 的观察,使用统计检验来评估所提议的 UCM 是否适用,研究通过实验表明 UCM 与最近的 - 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。
- 基于独立性检验的测量误差和线性非高斯模型因果发现方法
本文提出了一种基于 Transformed Independent Noise (TIN) 的方法,用于解决测量误差下的因果图结构恢复问题,相比现有方法,TIN 条件检验方法更具可扩展性且在合成和真实数据中均能取得较好的效果。
- 使用非二进制处理和效果的单元选择
本论文扩展了利益函数的一般形式,提出了一种算法来测试非二进制利益函数的可识别性,并使用实验和观测数据计算非二进制利益函数的边界。
- 非线性 ICA 的可辨识性:稀疏性与更多拓展研究
通过在混合过程中添加约束条件(如结构稀疏性),我们在不需要辅助变量的情况下,实现了非线性 ICA 的非平凡可识别性。
- ICML基于对比学习的非线性独立成分分析的有限样本可识别性
本文对基于对比学习的非线性独立分量分析进行了有限样本识别能力分析,该分析框架聚合了 GCL loss 函数的特性,统计概括分析和数值微分,并考虑到学习函数的逼近误差。
- 重访一般可辨识性问题
本文重新审视了引入于 [Lee et al., 2019] 中的一般可识别性问题,在原定义问题的基础上,需要增加观察分布的正性假设。作者表明,在无此假设下,[Lee et al., 2019] 中的 do-calculus 规则以及所提出的 - 策略优化中的不变性和奖励学习中的部分识别性
研究奖励学习中数据来源的可识别性,通过设计和选择数据来源,分析数据来源和后续任务的不变性,从而提高政策优化的性能
- ICMLCITRIS:从时间干预序列中推断因果可辨识性
本文提出了 CITRIS,一个基于变分自编码器的框架,通过观察可能受到干预的图像序列,学习掌握因果关系。与过去文献不同的是,CITRIS 结合了时间因素和观察干预目标,实现了识别标量和多维因果因素(例如 3D 旋转角度)的能力,并使用归一化 - 标签噪声过渡矩阵的可识别性
本文探讨了学习嘈杂标签所需的噪声转移矩阵的可辨识性,并通过 Kruskal 的可辨识性结果表明,对于一般情况下的实例级别的问题,识别噪声转移矩阵需要多个嘈杂标签的支持,此外,我们还展示了标签噪声转移的实例依赖性与统一的认识之间的联系,并提供 - MM关于排名模型混合物的可识别性
本文研究排名模型的混合参数可辨识性问题,尤其是两个 Bradley-Terry-Luce 组分混合模型的参数是否可辨识。通过代数几何方法建立了一个通用的框架,证明了多数常用混合排名模型是可辨识的,而只有一些意义下的例外。此框架可推广到其他学 - 独立机制分析,一个新概念?
本论文研究了在非线性盲源分离的场景下,具有独立因果机制的模型,可以重获模型的可识别性并绕过一些非可识别性问题。
- 自监督学习与数据扩充可证明地隔离内容与样式
该研究针对自我监督表示学习中的数据增强方法进行理论分析,将数据增强通过构建潜变量模型实现,同时研究其在潜空间的统计和因果依赖关系,提出作者的理论和实验发现对于保留数据的不变性有较好的效果。
- 逆强化学习中的可识别性
通过使用熵正则化,我们解决了马尔科夫决策问题中的奖励函数的非可辨识性问题,并完全表征给定环境下导致特定策略的奖励函数,同时演示了在不同折扣系数或足够不同的环境下给定奖励的行动演示下未被观察到的奖励可以恢复至常量。此外,我们还提供了在有限视野 - ACL文本分类更具识别性与性能同样优秀的 Transformer
本研究提供了更深入的理论分析和经验观察来确定 Transformer 模型中 attention 权重的可辨识性,我们发现 attention 权重比我们目前的认知更可辨识。为了解决权重的不唯一问题,我们提供了一种解耦键向量和值向量之间关系 - 使用 pi-VAE 学习高维神经活动的可识别和可解释潜变量模型
论文提出了 pi-VAE 这一将潜在变量模型和神经编码模型相结合的新方法,用于分析神经元群体响应数据,并通过合成和实验数据在大鼠海马和恒河猴运动皮层数据集中进行了验证,证明了该方法具有更好的拟合功效和可解释性,可以为神经编码结构提供新的见解 - 论所学习表征的线性可辨识性
研究深度神经网络在表示学习中的可辨认性,并从非线性独立成分分析的角度提出一种恢复可辨认性的方法,提出了一系列充分条件和证据,证明一大类具有判别性的模型在功能空间上具有线性可辨认性。
- 学习任意混合的两个多项式 Logits
本文研究 MNL 模型的混合问题,提出了一个在有限样本和查询数量下可以学习两个 MNL 混合模型的算法,并通过数值实验验证和假设论证了模型的识别性和复杂度问题。
- 隐马尔可夫非线性 ICA:从非平稳时间序列中进行无监督学习
本文提出了一种新的非线性 ICA 框架,该框架无需手动分割数据,而是结合了隐马尔可夫模型来实现非监督地学习和动态建模,同时证明了该模型的可辨识性。
- IJCAI使用不完整偏好特征学习随机效用模型的组合
本文研究了具有特征和它们的混合的随机效用模型(RUMs),提出了一种广义的 RUM 模型,来生成不完整的偏好,证明了当带有特征的 Plackett-Luce 模型可识别时,其最大似然估计是一致的,并且该模型在合成数据和真实数据上具有较高的预