基于变分图自编码器的无概念因果解耦
机器学习
2023-11-20 v1 人工智能
统计方法学
摘要
在解耦表示学习中,目标是获得一种紧凑的表示,其包含观测数据中所有可解释的 generative 因子。随着图数据快速增长,为图学习解耦表示变得愈发重要。现有方法常依赖于变分自编码器(VAE)或其基于因果结构学习的改进,前者因独立因子假设而存在次优性,后者则因概念标签不可用而受限。本文提出一种无监督解决方案,称为无概念因果解耦,其建立在可理论证明的紧上界之上以逼近最优因子。这产生了一种类 SCM 的因果结构建模,可直接从数据中学习概念结构。基于该思想,我们通过将一种新颖的因果解耦层引入变分图自编码器,提出无概念因果 VGAE(CCVGAE)。此外,我们证明了在无概念因果解耦框架下的概念一致性,并据此将其用于增强元学习框架,称为无概念因果 Meta-Graph(CC-Meta-Graph)。我们进行了大量实验以证明所提模型 CCVGAE 与 CC-Meta-Graph 的优越性,二者在 AUC 上分别较基线取得最高 与 的绝对提升。
引用
@article{arxiv.2311.10638,
title = {Concept-free Causal Disentanglement with Variational Graph Auto-Encoder},
author = {Jingyun Feng and Lin Zhang and Lili Yang},
journal= {arXiv preprint arXiv:2311.10638},
year = {2023}
}