通过观测变量分组实现可辨识的因果表示学习
机器学习
2024-06-10 v2 机器学习
摘要
因果表示学习(Causal Representation Learning, CRL)是当前备受关注的话题,其目标是以数据驱动的方式学习隐藏特征的因果模型。遗憾的是,CRL 严重不适定,因为它是表示学习与因果发现这两个 notorious 的不适定问题的结合。然而,寻找能够保证唯一解的实际可辨识条件对其实际应用至关重要。迄今为止,大多数方法基于对潜在因果机制的假设,例如时间因果性、存在监督或干预;这些在实际应用中有时过于严格。本文中,我们基于新颖的弱约束证明了可辨识性,该约束不需要时间结构、干预或弱监督。该方法基于假设观测混合表现出观测变量的适当分组。我们还提出了一种与模型一致的新颖自监督估计框架,证明了其统计一致性,并通过实验表明其 CRL 性能优于最先进的(state-of-the-art)基线。我们进一步展示了其对潜在混杂因素和因果循环的鲁棒性。
引用
@article{arxiv.2310.15709,
title = {Causal Representation Learning Made Identifiable by Grouping of Observational Variables},
author = {Hiroshi Morioka and Aapo Hyvärinen},
journal= {arXiv preprint arXiv:2310.15709},
year = {2024}
}