Learning Linear Causal Representations from Interventions under General Nonlinear Mixing
一般非线性混合下利用干预学习线性因果表示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：摘要利用干预数据研究潜在因果表示的可识别性，并提出相应学习算法，因此归入因果推断。
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
一般非线性混合下利用干预学习线性因果表示
- 研究问题
- 潜在分布为高斯且观测经过一般非线性混合时，能否利用目标未知、无需配对的单节点干预数据识别潜在因果表示？
- 方法与思路
- 作者分析非线性密度变换后的高维几何结构，借助潜在分布精度矩阵的二次型建立识别结果，并提出用于实践的对比学习算法。
- 材料陈述的贡献
- 摘要称其识别结果将既有线性映射或配对反事实数据框架推广到一般非线性混合，并覆盖深度网络嵌入下的非配对干预情形。
- 阅读关注点
- 应核对潜在因果模型、混合函数和单节点干预的具体条件、识别允许的变换歧义，以及对比算法与理论识别目标是否一致。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明完整识别条件与实验结果，不能推断非高斯或任意干预下仍可识别。
原文摘要
We study the problem of learning causal representations from unknown, latent interventions in a general setting, where the latent distribution is Gaussian but the mixing function is completely general. We prove strong identifiability results given unknown single-node interventions, i.e., without having access to the intervention targets. This generalizes prior works which have focused on weaker classes, such as linear maps or paired counterfactual data. This is also the first instance of causal identifiability from non-paired interventions for deep neural network embeddings. Our proof relies on carefully uncovering the high-dimensional geometric structure present in the data distribution after a non-linear density transformation, which we capture by analyzing quadratic forms of precision matrices of the latent distributions. Finally, we propose a contrastive algorithm to identify the latent variables in practice and evaluate its performance on various tasks.