BISCUIT: Causal Representation Learning from Binary Interactions
BISCUIT：从二元交互中学习因果表征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：摘要直接研究未知干预目标下因果变量的可识别性与因果表征学习。
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…
BISCUIT：从二元交互中学习因果表征
- 研究问题
- 在智能体能够影响环境却不知道具体干预目标时，能否利用因果变量的两种机制识别潜在变量及对应交互状态？
- 方法与思路
- 作者假定各因果变量的交互可由未知二元变量描述，据此建立可识别性结果，并提出同时学习因果变量与交互变量的方法。
- 材料陈述的贡献
- 摘要称在包括加性高斯噪声模型的若干设置下可识别因果变量，BISCUIT 在三个机器人相关数据集上展示识别及扩展能力。
- 阅读关注点
- 应核对二元机制变化所需条件、可识别性允许的变换范围，以及实验中因果变量恢复与交互状态识别的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未完整说明可识别性假设或精度，不能据此认定任意环境均可恢复。
原文摘要
Identifying the causal variables of an environment and how to intervene on them is of core value in applications such as robotics and embodied AI. While an agent can commonly interact with the environment and may implicitly perturb the behavior of some of these causal variables, often the targets it affects remain unknown. In this paper, we show that causal variables can still be identified for many common setups, e.g., additive Gaussian noise models, if the agent's interactions with a causal variable can be described by an unknown binary variable. This happens when each causal variable has two different mechanisms, e.g., an observational and an interventional one. Using this identifiability result, we propose BISCUIT, a method for simultaneously learning causal variables and their corresponding binary interaction variables. On three robotic-inspired datasets, BISCUIT accurately identifies causal variables and can even be scaled to complex, realistic environments for embodied AI.