Shadow 数据集：用于因果表示学习的全新挑战性数据集
机器学习
2023-08-15 v2 计算机视觉与模式识别
摘要
发现语义因子之间的因果关系是基于表示学习的一个新兴课题。大多数因果表示学习（CRL）方法是全监督的，由于标注成本高而不切实际。为解决这一限制，引入了弱监督 CRL 方法。为评估 CRL 性能，使用了四个现有数据集：Pendulum、Flow、CelebA(BEARD) 和 CelebA(SMILE)。然而，现有的 CRL 数据集局限于具有少量生成因子的简单图。因此我们提出了两个具有更多样生成因子和更复杂因果图的新数据集。此外，当前的真实数据集 CelebA(BEARD) 和 CelebA(SMILE) 中最初提出的因果图与数据集分布不一致。因此我们提出了对它们的修改。
引用
@article{arxiv.2308.05707,
title = {Shadow Datasets, New challenging datasets for Causal Representation Learning},
author = {Jiageng Zhu and Hanchen Xie and Jianhua Wu and Jiazhi Li and Mahyar Khayatkhoei and Mohamed E. Hussein and Wael AbdAlmageed},
journal= {arXiv preprint arXiv:2308.05707},
year = {2023}
}