CITRIS: Causal Identifiability from Temporal Intervened Sequences
CITRIS：从受干预的时间序列中识别因果表征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：摘要研究视觉动态系统中的因果表征识别，未直接涉及所列处理效应或经济计量模型细分。
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…
CITRIS：从受干预的时间序列中识别因果表征
- 研究问题
- 能否利用图像序列的时间信息与已观测干预目标，识别动态系统中的潜在标量及多维因果因素，包括仅部分受干预的因素？
- 方法与思路
- 作者提出变分自编码器框架 CITRIS，结合时间结构和干预目标学习因果表征，并用归一化流扩展到预训练编码器的表征。
- 材料陈述的贡献
- 摘要称，在因素仅部分分量受干预的更一般情形证明可识别性，并在三维渲染序列中报告因果变量恢复及未见实例泛化结果。
- 阅读关注点
- 应核对可识别性的具体含义与成立条件、干预目标信息的可得性，以及模拟图像表现能否支持真实环境中的泛化。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出定理条件，真实环境迁移仍被表述为未来研究方向。
原文摘要
Understanding the latent causal factors of a dynamical system from visual observations is considered a crucial step towards agents reasoning in complex environments. In this paper, we propose CITRIS, a variational autoencoder framework that learns causal representations from temporal sequences of images in which underlying causal factors have possibly been intervened upon. In contrast to the recent literature, CITRIS exploits temporality and observing intervention targets to identify scalar and multidimensional causal factors, such as 3D rotation angles. Furthermore, by introducing a normalizing flow, CITRIS can be easily extended to leverage and disentangle representations obtained by already pretrained autoencoders. Extending previous results on scalar causal factors, we prove identifiability in a more general setting, in which only some components of a causal factor are affected by interventions. In experiments on 3D rendered image sequences, CITRIS outperforms previous methods on recovering the underlying causal variables. Moreover, using pretrained autoencoders, CITRIS can even generalize to unseen instantiations of causal factors, opening future research areas in sim-to-real generalization for causal representation learning.