- InfoNCE: 理论与实践之间的差距辨识
在对比学习中，我们提出了 AnInfoNCE，它能够在现实场景中揭示潜在因素，并广义上推广了以往的可识别性结果。我们的控制实验验证了我们的可识别性结果，并展示了在 CIFAR10 和 ImageNet 中恢复先前已经损失的信息的能力，但同时 - 超越构成式推理，DDPMs 能够产生零样本插值
Denoising Diffusion Probabilistic Models (DDPMs) can effectively generate images in unexplored regions of the data distr - 从视觉语言模型中学习不变的因果机制
我们提出了 CLIP-ICM（Invariant Causal Mechanism of CLIP）算法，该算法旨在通过干预数据来可靠地识别不变的潜在因素，并在各个领域中实现准确的预测。理论分析表明，我们的方法在分布外（OOD）场景中具有较 - 当因子化遇到论证：朝着论证性解释的方向
该研究提出一种将基于因子分解的模型与论证框架相结合的新模型，通过在模型的每个阶段提供明确的含义，使其能够产生易于理解的推荐解释，并能够结合用户上下文等附加信息实现更准确的预测。
- SIGIR通过层次子空间解缠交叉领域推荐的联合可辨识性
为有效实现跨领域知识传递，本研究从因果学的角度出发，提出一种分层子空间解缠方法（HJID），以探索跨领域联合分布的联合识别性，并保留特定领域行为和域共享要素。实验证明，HJID 在一系列强相关和弱相关跨领域推荐任务中优于现有方法。
- 通过动态修剪加速矩阵分解以实现快速推荐
提出了算法方法加速矩阵分解，通过观察矩阵特征的细粒度结构稀疏性，重新排列特征矩阵并修剪不显著的潜在因素，实现了乘法和更新过程中的动态剪枝操作，加速了推荐系统中矩阵分解的训练过程。
- 多模式变分自编码器中共享和私有潜在因素的解耦
用于多模态数据的生成模型可用于识别与观察数据异质性重要决定因素相关的潜在因素。然而，存在一些变量是特定于单个模态的私有变量，而共享变量对解释多模态数据的变异性很重要。本研究探讨了多模态变分自编码器在可靠地实现这种解缠的能力方面，针对一种挑战 - 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。
- 可解释的临床问卷分解以识别心理病理的潜在因素
通过识别解释性约束问卷因子分解方法（ICQF）来促进因子识别能力和解决方案稳定性，使心理病理学研究能够理解行为中的心理病理学表现，并通过问卷数据量化，有效提高解释性，并在各种疾病的诊断信息中保持优越性。
- 基于预测性变分自编码器的时间序列数据鲁棒表示学习
利用预测时间下一节点以及基于时间平滑性的模型选择度量，我们提出了一种能够减轻 VAE 学习虚假特征，并能在合成数据集中准确恢复潜在因素的 VAE 架构。
- 在有向带符号图中学习无社交假设的解耦表示
本文提出了一种不依赖社会假设的学习有向带符号图中解耦节点表示的方法 DINES，采用解耦框架来将每个嵌入分解成不同因素，以捕捉多个潜在因素，并通过轻量级图卷积以及有效的边符号分类解码器来提高模型表达能力，实验证明 DINES 在有向带符号图 - 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
- 变分解缠图自编码器用于链接预测
本文提出了一种新的框架 —— 解缠图自编码器 (DGAE) 和变分解缠图自编码器 (VDGAE)，利用解缠策略来提升链接预测的性能，该框架将表示解缠成对应于唯一潜在因素的多个通道，通过彼此独立的通道来增强不同潜在因素的独立性。
- 利用观测偏差改进矩阵补全
在 Ma 和 Chen 引入的模型的基础上，本文提出了一种两阶段的算法来处理矩阵填充中的观测偏差，并利用共享信息来提高预测性能，经实验证明本算法的表现可与未观测协变量相同，并获得性能提高。
- 神经因果因素分析
使用深度学习和因果推断，我们针对神经因果因子分析（NCFA）提出了一种完全非参数的因子分析方法，该方法不仅表现出与标准 VAEs 相当的数据重建能力，还具有更稀疏、更低复杂度和因果可解释性等优点，并且可以学习和推理关于观察数据潜在因素的因果 - 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 - 几何信息瓶颈解释型推荐系统
该研究提出了一种基于几何先验知识和变分网络的可解释推荐系统，通过从用户 - 项目交互中学习潜在因子，并结合注意力机制从评论中提取重要文本片段来生成推荐解释，优化了推荐结果可解释性，同时在推荐效果上与基于内容的推荐系统相当。
- 利用稀疏和共享特征激活进行分离式表征学习
本文提出了一种基于多任务学习的有监督编码器，该编码器通过一个广泛的、多样化的有监督任务来学习一个共同的解缠表示，以从高维数据中恢复潜在因素的变化。该方法在多个真实情况下进行了验证，包括图像和文本数据等不同数据形式。
- 用于推荐系统中偏好理解的因果分离变分自编码器
本文提出了一种新方法 - 因果分离变分自编码器（CaD-VAE），该方法可以从交互数据中学习因果分离表示，以改善推荐模型的鲁棒性、可解释性和可控性，结果表明此方法可以优于现有的方法
- 神经分层去偏见推荐
我们提出了一种针对推荐系统中由于观测到的用户 - 项目曝光数据稀疏和嘈杂导致难以估计 IPS 的问题的方法，该方法通过聚类用户来计算更准确的 IPS，从而提高暴露密度，基于现实世界数据集展开广泛的实验以证明方法的有效性。