基于LANCA的无监督因果表征学习
机器学习
2025-12-30 v1 机器学习
摘要
无监督表征学习旨在恢复潜在生成因子，但依赖统计独立性的常规方法往往难以捕捉因果依赖。一个核心挑战是可辨识性：如在解缠表示学习和非线性ICA文献中所述，若无监督、辅助信号或强先验偏置，无法从观测数据中解缠因果变量。本文提出一种潜在加性噪声模型因果自动编码器（Latent Additive Noise Model Causal Autoencoder, LANCA），以Operationalize Additive Noise Model（ANM）作为强先验偏置来实现无监督发现。理论上，我们证明了虽然ANM约束在一般混合情况下不保证唯一可辨识性，但它能解决按组件划分的不可辨识性，通过将可接受变换从任意微分同构限制为仿射类。方法上，鉴于变分自编码器（VAE）中内置的随机编码会遮蔽用于潜在因果发现的结构残差，LANCA采用确定性Wasserstein自动编码器（WAE）配合可微分ANM层构建架构。该架构将残差独立性从被动假设转化为显式的优化目标。实验上，LANCA在合成物理基准（如Pendulum、Flow）以及照片写实环境（CANDLE）上超越了最先进的基线方法，在其中表现出对复杂背景场景中伪相关的鲁健性。
引用
@article{arxiv.2512.22150,
title = {Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders},
author = {Hans Jarett J. Ong and Brian Godwin S. Lim and Dominic Dayta and Renzo Roel P. Tan and Kazushi Ikeda},
journal= {arXiv preprint arXiv:2512.22150},
year = {2025}
}