基于Do-操作引导且降低监督强度的因果表示学习

因果表示学习被提出用于对高维数据中呈现的因子之间的关系进行编码。然而,现有方法仅使用大量标注数据,且忽略了由相同因果机制生成的样本遵循相同因果关系这一事实。本文中,我们试图通过利用do-operation来探索此类信息,以降低监督强度。我们提出了一种框架,通过对从一对输入中编码出的潜在原因与结果因子进行交换来实现do-operation。此外,我们还从经验与理论上指出了现有因果表示度量的不足,并引入新的度量以更好地进行评估。在合成与真实数据集上进行的实验表明了我们的方法相较于最先进方法的优越性。