弱监督因果表示学习
机器学习
2022-10-12 v3 机器学习
摘要
仅从观测数据无法从像素等非结构化低级数据中学习高级因果表示及因果模型。我们在温和假设下证明，该表示在弱监督设定中是可识别的。这涉及一个在随机、未知干预前后具有配对样本但无进一步标签的数据集。随后我们引入隐式潜在因果模型，即无需优化显式离散图结构即可表示因果变量与因果结构的变分自编码器。在简单图像数据（包括一个新颖的模拟机器人操作数据集）上，我们证明了此类模型能可靠地识别因果结构并解耦因果变量。
引用
@article{arxiv.2203.16437,
title = {Weakly supervised causal representation learning},
author = {Johann Brehmer and Pim de Haan and Phillip Lippe and Taco Cohen},
journal= {arXiv preprint arXiv:2203.16437},
year = {2022}
}
备注
Published at NeurIPS 2022. v3: Experiments with higher-dimensional data and larger graphs, improved writing, and added references; matches camera-ready version