.png){kind=icon}
返回
Causal Flow-Based Variational Auto-Encoder for Disentangled Causal Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1145/3748660.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
解耦表示学习旨在学习低维表示，其中每个维度对应一个潜在的生成因子。虽然变分自编码器（VAE）常用于此目的，但大多数现有方法假设因子之间相互独立，这一简化在许多现实场景中并不成立，因为因子通常相互依赖并表现出因果关系。为克服此局限，我们提出了解耦因果变分自编码器（DCVAE），一种新颖的有监督VAE框架，它将因果流整合到表示学习过程中，能够学习更有意义且可解释的解耦表示。我们在合成数据集和真实数据集上评估了DCVAE，证明了其在因果解耦和干预实验中的优越能力。此外，DCVAE在各类下游任务中优于现有最佳方法，突显了其学习因子间真实因果结构的潜力。
.png){kind=icon}
