通过潜空间探索与因果推断逼近未知通信系统

本文提出一种通过探索无监督深度生成模型的潜空间来发现数据中有意义属性的方法。我们将单个潜变量推向极值进行操作，并结合受因果推断启发的方法，构成一种称为极值因果解耦（CDEV）的方法，并表明该方法可为模型可解释性提供见解。借此，我们可以测试模型对未知数据的哪些属性进行了有意义编码，以此洞察抹香鲸（Physeter macrocephalus）的通信系统——这是最引人入胜且研究不足的动物通信系统之一。所用网络架构已被证明能学习语音的有意义表示；此处它用作学习机制来破译另一种声音通信系统的属性，而该情况下我们并无真值。所提方法表明，抹香鲸利用序列中咔嗒声的数量、其定时的规律性以及频谱均值和序列声学规律性等音频属性来编码信息。其中部分发现与现有假设一致，另一些为首次提出。我们还论证，我们的模型揭示了支配通信系统中单元结构的规则，并在生成训练期间未出现的新颖数据时加以应用。本文表明，用因果推断方法解释深度神经网络输出，可作为逼近知之甚少的数据的可行策略，并呈现了深度学习如何限制假设空间的又一案例。最后，所提方法可扩展至其他架构与数据集。