从变化视角看可辨识的潜变量多项式因果模型
机器学习
2024-12-02 v3
摘要
因果表示学习旨在从观测的低层数据中揭示潜变量的高层因果表示。其主要任务之一是为辨识这些潜变量因果模型提供可靠保证，即所谓可辨识性。近期一项突破通过利用多个环境下潜变量因果变量间因果影响的变化来探索可辨识性 \citep{liu2022identifying}。然而，该进展建立在潜变量因果变量间因果关系严格遵循线性高斯模型的假设之上。本文将潜变量因果模型的范围拓展至包含由多项式模型表示的非线性因果关系，以及符合指数族的一般噪声分布。此外，我们研究了在所有因果参数上施加变化的必要性，并给出了当部分参数保持不变时的部分可辨识结果。进一步地，我们基于理论发现提出了一种新颖的经验估计方法，能够学习一致的潜变量因果表示。我们在合成与真实世界数据上获得的实验结果验证了我们在可辨识性与一致性方面的理论贡献。
引用
@article{arxiv.2310.15580,
title = {Identifiable Latent Polynomial Causal Models Through the Lens of Change},
author = {Yuhang Liu and Zhen Zhang and Dong Gong and Mingming Gong and Biwei Huang and Anton van den Hengel and Kun Zhang and Javen Qinfeng Shi},
journal= {arXiv preprint arXiv:2310.15580},
year = {2024}
}