跳到正文

算法、任务与模态

Causal Learning 最新动态

Causal Learning 研究索引；按可核对的标签归档，不以热度评价质量。

43 条精选近 30 天 8 条共收录 49 条

更新

精选归档 · 第 3 页

4月25日周二第 41–43 条
  1. OpenReview · Representation learning82

    干预式因果表征学习

    基于摘要分析。本文研究如何利用干预数据，从低层感知数据中识别高层潜在因果因素；核心贡献是将干预造成的潜在变量支持集几何变化用于可识别性分析，而非仅依赖观测数据及条件独立性等结构假设。 核心机制：支持集指潜在变量可能取值的集合。当潜在因素存在因果联系时，干预可以打破被干预变量的支持集与其祖先变量支持集之间的依赖。作者利用这一几何特征建立理论结果：在获得完美 do 干预数据的条件下，潜在因果因素可以被识别到置换与缩放的不确定性；在不完美干预数据条件下，可以实现块仿射识别，即估计的潜在因素仅与少数其他潜在因素发生混合。这并不等同于恢复每个因素的唯一数值表示。 作者报告，上述结果可在不假设潜在因素分布或依赖结构的情况下获得可证明的识别保证，但这不能解读为完全无条件保证。干预覆盖范围、观测映射要求、支持集条件、具体学习目标与实现，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其与 EEG 的潜在对应点是区分观测相关性与可干预潜在因素，但依赖于是否能获得具有明确因果含义的干预数据。任务指令或刺激变化不能自动视为对神经潜在因素的完美 do 干预。可考虑复用支持集几何约束的思想，观测映射与干预描述则需针对 EEG 改造；低信噪比、有限样本、跨被试差异及通道混合可能使支持集估计失真。一个可证伪的小实验是在已知潜在因果结构和干预目标的模拟 EEG 混合数据中，对比仅观测数据与加入干预数据时的因素恢复，并逐步增加噪声及干预不完美程度。该实验仅检验机制假设，不构成真实 BCI 有效性的证据；已有 EEG 相关工作尚未检索确认。

    阅读价值：值得阅读其利用干预数据的支持集几何特征建立潜在因子可识别性的理论路径，但这些保证的具体成立条件及其对 EEG 的适用性尚未验证。

1月1日周日
  1. OpenReview · Representation learning77

    非配对多域因果表征学习

    基于摘要分析。本文研究如何从多个域的非配对观测中恢复由具有因果关系的潜变量构成的共享表征；核心贡献是在一个线性设定下给出联合分布与共享因果图可识别的充分条件，并将理论结果转化为恢复共享潜在因果图的实用方法。 问题设定的关键是：不同域可能共享因果表征，但研究者仅能观测各域的边缘分布，无法获得跨域观测的联合分布或样本配对。这里的可识别性指能否由这些边缘分布唯一恢复联合分布及共享因果表征，而非仅得到预测效果相近的表示。作者报告在线性设定下建立了充分条件；摘要未披露这些条件的具体形式，也未说明恢复算法、估计过程或实验结果，理论适用范围、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若不同被试或会话的 EEG 观测确实由可对应的共享潜在因果结构产生，这一框架可能为缺少跨域配对样本的表征对齐提供理论切入点。可考虑复用其可识别性分析与潜在因果图恢复思路，但需先核对原论文对潜变量、观测映射和域间关系的假设，再处理 EEG 通道对应、参考方式及被试特异成分。低信噪比、共同伪迹、通道变化和小样本估计误差均可能使恢复结果不稳定；共享线性结构是否成立也不能预设。 一个可检验的小实验是：在取得全文与可实现算法后，先用已知潜在因果图的线性多域模拟数据，比较保留配对信息与打乱配对后的恢复表现，并逐步加入噪声、通道变化及域特异成分，检验其非配对识别结论的适用边界，再决定是否开展 EEG 验证。已有 EEG 相关工作尚未检索确认，原领域的理论结果不构成 BCI 有效性的证据。

    阅读价值：值得阅读其在线性设定下从非配对多域边缘分布识别共享潜在因果结构的充分条件，但具体假设、实用算法与 EEG 迁移适用性尚未验证。

  2. OpenReview · Representation learning70

    用于无监督表征学习的因果排序先验

    基于摘要分析。本文研究无监督表征学习中潜变量独立性假设与生成因素之间因果关联的矛盾，提出以潜在加性噪声模型（ANM）描述数据生成过程，并通过基于潜在分布 Hessian 的损失鼓励潜在空间遵循因果排序。 核心机制是将因果结构作为表征学习先验，而非要求所有潜变量彼此独立。作者指出，已有具备可证明可辨识性的相关方法依赖辅助信息、弱标签、干预或反事实数据；本文则提出完全无监督的方法。需要区分的是，“完全无监督”是摘要对方法的描述，并不意味着摘要已证明无需其他假设即可恢复真实因果因素。Hessian 约束的具体形式、潜在分布的估计方式、ANM 的适用假设及可辨识性结论尚未验证。 摘要未提供数据集、对照基线或定量结果，因此不能判断其相较独立潜变量方法的实际收益。实验协议、消融及统计信息尚未验证，复现还需核对完整目标函数、训练流程与实现条件。 平台推测（待验证）：若 EEG 中的潜在变化因素存在可由 ANM 近似的因果关系，该排序约束可能作为 EEG 表征模型的正则项；可复用的是约束思路，需改造的是时序编码与潜在分布估计。EEG 的低信噪比、通道混合、未观测混杂及跨被试差异可能使该假设失效，小数据也可能导致 Hessian 估计不稳定。一个可证伪的小实验是在具有已知潜在因果结构、通道混合与噪声的合成时序数据上，对比加入与不加入该约束的同一编码器，检验排序恢复与噪声敏感性；这不构成真实 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何以潜在分布的 Hessian 构造因果排序约束，以及该约束在无辅助监督条件下能支持何种可辨识性结论；摘要尚未提供实验结果。