基于独立因果机制原则学习因果解耦表示
机器学习
2024-08-27 v4 机器学习
摘要
学习解耦的因果表示是一项具挑战性的问题，因其对下游任务提取有意义信息具有重要意义而近期备受关注。本文从独立因果机制视角定义了因果解耦的新概念，并提出ICM-VAE，一种由因果相关的观测标签监督学习因果解耦表示的框架。我们使用可学习的非线性基于流的微分同胚函数建模因果机制，将噪声变量映射至潜在因果变量。进一步，为促进因果因子的解耦，我们提出了从辅助标签与潜在因果结构中学得的因果解耦先验。我们从理论上证明了因果因子与机制在置换与逐元素重参数化意义下的可辨识性。实证表明，我们的框架能诱导出高度解耦的因果因子，提升干预鲁棒性，并兼容反事实生成。
引用
@article{arxiv.2306.01213,
title = {Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms},
author = {Aneesh Komanduri and Yongkai Wu and Feng Chen and Xintao Wu},
journal= {arXiv preprint arXiv:2306.01213},
year = {2024}
}
备注
Accepted to the 33rd International Joint Conference on Artificial Intelligence (IJCAI 2024)