CITRIS：基于时间干预序列的因果可识别性
机器学习
2022-06-16 v3 人工智能
统计方法学
摘要
从视觉观测中理解动力系统的潜在因果因素被视为智能体在复杂环境中进行推理的关键一步。本文中，我们提出 CITRIS，一种变分自编码器框架，从可能已被干预的潜在因果因素的时间图像序列中学习因果表示。与近期文献不同，CITRIS 利用时间性和观测干预目标来识别标量和多维因果因素，例如 3D 旋转角度。此外，通过引入归一化流，CITRIS 可轻松扩展以利用并解耦已由预训练自编码器获得的表示。在仅因果因素的某些分量受干预影响的更一般设定下，我们扩展了先前关于标量因果因素的可识别性结果并证明其可识别性。在 3D 渲染图像序列的实验中，CITRIS 在恢复潜在因果变量上优于先前方法。此外，使用预训练自编码器，CITRIS 甚至可泛化到未见的因果因素实例，为因果表示学习的仿真到真实泛化开辟了未来研究领域。
引用
@article{arxiv.2202.03169,
title = {CITRIS: Causal Identifiability from Temporal Intervened Sequences},
author = {Phillip Lippe and Sara Magliacane and Sindy Löwe and Yuki M. Asano and Taco Cohen and Efstratios Gavves},
journal= {arXiv preprint arXiv:2202.03169},
year = {2022}
}
备注
Accepted at the International Conference on Machine Learning (ICML), 2022