结构方程-VAE：用于表格数据的解缠潜在表示
机器学习
2025-08-19 v2 人工智能
神经与进化计算
摘要
从表格数据学习可解释的潜在表示是深度生成模型中的一个挑战。我们引入 SE-VAE (Structural Equation-Variational Autoencoder)，一种新型架构，将测量结构直接嵌入变分自编码器的设计中。灵感来自结构方程建模，SE-VAE 将潜在子空间与已知指示器分组相匹配，并引入全局妖术潜在变量以隔离 construct-specific 混合变异。这种模块化架构通过设计而非仅通过统计正则化实现解缠。我们在一套模拟表格数据集上对 SE-VAE 进行评估，并使用标准解缠指标将其性能与一系列领先基线进行比较。SE-VAE 在因子恢复、可解释性和对妖术变异的鲁棒性方面始终优于替代方案。消融结果表明，架构结构而非正则化强度是性能的关键驱动因素。SE-VAE 提供了一个原则性的框架，用于科学和社会领域的白盒生成建模，其中潜在 construct 是理论驱动的，测量有效性至关重要。
引用
@article{arxiv.2508.06347,
title = {Structural Equation-VAE: Disentangled Latent Representations for Tabular Data},
author = {Ruiyu Zhang and Ce Zhao and Xin Zhao and Lin Nie and Wai-Fung Lam},
journal= {arXiv preprint arXiv:2508.06347},
year = {2025}
}
备注
10 pages, 2 figures