多模态数据的因果解耦
机器学习
2023-11-09 v2 人工智能
机器学习
摘要
因果表示学习算法发现数据的低维表示,其允许对因果进行可解读的解释;由于实现此类可解释表示具有挑战性,许多因果学习算法利用指示先验信息的元素,例如(线性)结构因果模型、干预数据或弱监督。不幸的是,在探索性因果表示学习中,此类元素和先验信息可能不可用或不合理。另一方面,科学数据集通常具有多模态或基于物理的约束,并且使用此类科学多模态数据已被证明可在完全无监督设置中改善解耦。因此,我们引入一种因果表示学习算法(causalPIMA),其可使用多模态数据和已知物理来发现具有因果关系的重要特征。我们的创新算法利用一种新的可微参数化,通过单一、易处理的证据下界损失函数,在以端到端可微框架中学习有向无环图(DAG)与变分自编码器的潜空间。我们在潜空间上放置高斯混合先验,并将每个混合识别为 DAG 节点的结果;这种新颖的识别实现了具有因果关系的特征发现。针对合成数据集和科学数据集进行测试,我们的结果表明了在完全无监督设置中学习可解释因果结构同时发现关键特征的能力。
引用
@article{arxiv.2310.18471,
title = {Causal disentanglement of multimodal data},
author = {Elise Walker and Jonas A. Actor and Carianne Martinez and Nathaniel Trask},
journal= {arXiv preprint arXiv:2310.18471},
year = {2023}
}