SCADI：隐变量模型中的自监督因果解耦

因果解耦在刻画复杂情境方面具有巨大潜力。然而，目前缺乏实用且高效的方法。已知大多数无监督解耦方法在没有额外信息的情况下无法产生可辨识的结果，常导致随机解耦的输出。因此，大多数现有的解耦模型为弱监督，提供关于内在因素的信息，这带来了过高的成本。为此，我们提出一种新颖模型 SCADI（SElf-supervised CAusal DIsentanglement，自监督因果解耦），使模型无需任何监督即可发现语义因素并学习其因果关系。该模型将掩码结构因果模型（SCM）与伪标签生成器结合用于因果解耦，旨在为自监督因果解耦模型提供新方向。