交互系统中瞬时与时延效应的因果表示学习
机器学习
2023-03-09 v2 人工智能
机器学习
摘要
因果表示学习是从高维观测(如图像)中识别底层因果变量及其关系的任务。近期工作表明，在假设变量间无瞬时因果关系的条件下，可从时序观测中重构因果变量。然而，在实际应用中，我们的测量或帧率可能慢于许多因果效应。这有效地产生了“瞬时”效应，并使先前的可识别性结果失效。为解决此问题，我们提出 iCITRIS，一种因果表示学习方法，在可观测干预目标(如智能体动作)的干预时序中允许瞬时效应。iCITRIS 从时序观测中识别潜在多维因果变量，同时使用可微分因果发现方法学习其因果图。在三个交互系统数据集上的实验中，iCITRIS 准确识别了因果变量及其因果图。
引用
@article{arxiv.2206.06169,
title = {Causal Representation Learning for Instantaneous and Temporal Effects in Interactive Systems},
author = {Phillip Lippe and Sara Magliacane and Sindy Löwe and Yuki M. Asano and Taco Cohen and Efstratios Gavves},
journal= {arXiv preprint arXiv:2206.06169},
year = {2023}
}
备注
Published at International Conference on Learning Representations (ICLR), 2023