.png){kind=icon}
返回
Modeling Soft Intervention Effects for Implicit Causal Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-026-07144-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
从无地面真值因果图的数据中学习因果表示仍然是表示学习中的核心挑战。隐式方法——模型在不显式参数化因果图的情况下学习因果依赖关系——通过避免与邻接矩阵估计相关的局部极小值等优化困难，相比显式方法具有显著优势。然而，现有的隐式方法通常假设可以访问硬干预，这在现实场景中很少可行。相比之下，更常见于实践的软干预在不切断父依赖关系的情况下修改因果机制，引入微妙的、模糊的效果，从而干扰学习。为解决此问题，我们提出ICRL-SM，一种利用因果机制开关变量从软干预中进行隐式因果表示学习的新方法。该变量捕获软干预引起的不必要变化，使模型能够专注于反映底层因果结构的必要变化。我们的框架利用在成对干预前后的样本上训练的变分自编码器，并在一组确保因果表示可识别性的假设下进行理论推导。尽管一些假设（如潜在变量的高斯性、微分同胚解码器）较为严格，但我们通过实证证明，即使这些假设被违反，我们的方法仍能稳健地表现——在合成基准测试和真实图像数据集上都取得了优异结果。这些发现突显了ICRL-SM在弥合理论可识别性与实际可应用性之间差距的潜力，推动了在现实条件下进行因果表示学习的进展。本文的源代码可访问：https://github.com/sshirahmad/ICRL
Keyword:
Causal representation learning
Implicit causal model
Soft interventions
Causal mechanisms
Variational autoencoder
Identifiability
Representation learning
Intervention modeling
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
Invariant representation learning via decoupling style and spurious features通过解耦风格与无关特征的不变表示学习.png)
MACHINE LEARNING
MACHINE LEARNINGIF2.9
PREAI
分享收藏
Nonparametric Identifiability of Causal Representations from Unknown Interventions从未知干预中因果表示的非参数可识别性
PREAI
分享收藏 没有更多内容
没有更多内容