Discrete Causal Representation Learning
离散因果表示学习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：摘要直接研究潜变量因果图的识别与恢复，属于因果推断；离散潜变量及二部测量图不直接等同于离散选择或经济网络。
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
离散因果表示学习
- 研究问题
- 如何从连续、计数和二元等混合观测中恢复大量离散潜变量之间的因果结构，同时保持表示的可解释性与理论保证？
- 方法与思路
- 作者构建离散潜变量 DAG 与稀疏潜在—观测二部图，采用灵活测量模型，并依次进行惩罚估计、潜状态重采样和评分式因果发现。
- 材料陈述的贡献
- 摘要称，在其所述温和条件下，两层图可由观测分布识别，三阶段程序具有一致性，并在教育测评和合成图像中展示稀疏结构。
- 阅读关注点
- 应核对所谓温和条件、图结构识别的具体含义、潜变量标记不确定性，以及重采样误差如何影响后续因果发现的一致性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出识别与一致性的具体条件，也未提供有限样本保证。
原文摘要
Causal representation learning seeks to uncover causal relationships among high-level latent variables from low-level, entangled, and noisy observations. Existing approaches often either rely on deep neural networks, which lack interpretability and formal guarantees, or impose restrictive assumptions like linearity, continuous-only observations, and strong structural priors. These limitations particularly challenge applications with a large number of discrete latent variables and mixed-type observations. To address these challenges, we propose discrete causal representation learning (DCRL), a generative framework that models a directed acyclic graph among discrete latent variables, along with a sparse bipartite graph linking latent and observed layers. This design accommodates continuous, count, and binary responses through flexible measurement models while maintaining interpretability. Under mild conditions, we prove that both the bipartite measurement graph and the latent causal graph are identifiable from the observed data distribution alone. We further propose a three-stage estimate-resample-discovery pipeline: penalized estimation of the generative model parameters, resampling of latent configurations from the fitted model, and score-based causal discovery on the resampled latents. We establish the consistency of this procedure, ensuring reliable recovery of the latent causal structure. Empirical studies on educational assessment and synthetic image data demonstrate that DCRL recovers sparse and interpretable latent causal structures.