Learning Causal Representations from General Environments: Identifiability and Intrinsic Ambiguity
从一般环境学习因果表征：可识别性与内在歧义AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究潜在因果变量、因果图及跨环境可识别性，属于因果推断相关方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
从一般环境学习因果表征：可识别性与内在歧义
- 研究问题
- 当只能观察多个一般环境中的低层数据，且潜在变量未知时，能否恢复高层潜在变量及其因果图，恢复又有哪些内在限制？
- 方法与思路
- 作者研究一般多环境数据下线性因果模型的可识别性，提出 LiNGCReL 算法，并考察非参数模型下成组软干预的识别障碍。
- 材料陈述的贡献
- 摘要称线性模型的因果图可完全恢复，但潜在变量仅识别至被包围节点歧义（SNA）；作者同时论证该歧义基本不可避免。
- 阅读关注点
- 应核对一般环境的具体条件、SNA 的定义及等价模型范围，并区分线性模型的恢复保证与非参数模型的识别障碍。
- 阅读边界
- 所给版本为 arXiv 预印本，不能据此认定已同行评审或被期刊接收；摘要未说明环境条件、证明细节及实验效果大小。
原文摘要
We study causal representation learning, the task of recovering high-level latent variables and their causal relationships in the form of a causal graph from low-level observed data (such as text and images), assuming access to observations generated from multiple environments. Prior results on the identifiability of causal representations typically assume access to single-node interventions which is rather unrealistic in practice, since the latent variables are unknown in the first place. In this work, we provide the first identifiability results based on data that stem from general environments. We show that for linear causal models, while the causal graph can be fully recovered, the latent variables are only identified up to the surrounded-node ambiguity (SNA) \citep{varici2023score}. We provide a counterpart of our guarantee, showing that SNA is basically unavoidable in our setting. We also propose an algorithm, \texttt{LiNGCReL} which provably recovers the ground-truth model up to SNA, and we demonstrate its effectiveness via numerical experiments. Finally, we consider general non-parametric causal models and show that the same identification barrier holds when assuming access to groups of soft single-node interventions.