因果与相关概念的结构性解耦
机器学习
2025-11-21 v2 机器学习
摘要
可控数据生成旨在通过指定目标概念的值来合成数据。可靠实现这一目标需要建模底层生成因素及其关系。在实际场景中，这些因素表现出因果和相关依赖，但大多数现有方法仅建模其中的一部分。我们提出了因果-相关变分自编码器（Causal-Correlation Variational Autoencoder, C2VAE），是一个统一框架，联合捕获潜在因素之间的因果和相关关系。C2VAE 将潜在空间组织成结构化图，识别出一组支配生成过程的根本原因。通过仅优化与目标概念相关的根因，模型实现了高效且忠实的控制。在合成和真实数据集上的实验表明，C2VAE 在生成质量、解耦和干预忠实性方面优于现有基线方法。
关键词
引用
@article{arxiv.2405.16219,
title = {Structural Disentanglement of Causal and Correlated Concepts},
author = {Qilong Zhao and Shiyu Wang and Zeeshan Memon and Yang Qiao and Guangji Bai and Bo Pan and Zhaohui Qin and Liang Zhao},
journal= {arXiv preprint arXiv:2405.16219},
year = {2025}
}
备注
10 pages, 6 figures