Identifiability of Potentially Degenerate Gaussian Mixture Models With Piecewise Affine Mixing
分段仿射混合映射下可能退化高斯混合模型的可识别性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：摘要研究一般潜在表示与混合模型可识别性，未明确涉及所列细分中的治疗效应、经济结构模型或因子预测。
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…
分段仿射混合映射下可能退化高斯混合模型的可识别性
- 研究问题
- 当潜在变量服从可能退化的高斯混合分布，且只能通过分段仿射变换被观测时，能否从高维观测中识别这些潜在变量？
- 方法与思路
- 作者针对密度可能不存在的退化情形建立逐步加强的识别结果，并以稀疏正则化和高斯性约束构建两阶段表示学习方法。
- 材料陈述的贡献
- 摘要称稀疏约束支持在置换与缩放意义下的识别，并通过合成数据和图像实验展示所提方法恢复真实潜在变量的能力。
- 阅读关注点
- 核对退化分布与观测变换的限制、各层识别结果对应的等价关系，以及稀疏性约束在理论和两阶段算法中的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未列出完整识别条件，也未说明潜在变量恢复是否足以识别因果效应。
原文摘要
Causal representation learning (CRL) aims to identify the underlying latent variables from high-dimensional observations, even when variables are dependent with each other. We study this problem for latent variables that follow a potentially degenerate Gaussian mixture distribution and that are only observed through the transformation via a piecewise affine mixing function. We provide a series of progressively stronger identifiability results for this challenging setting in which the probability density functions are ill-defined because of the potential degeneracy. For identifiability up to permutation and scaling, we leverage a sparsity regularization on the learned representation. Based on our theoretical results, we propose a two-stage method to estimate the latent variables by enforcing sparsity and Gaussianity in the learned representations. Experiments on synthetic and image data highlight our method's effectiveness in recovering the ground-truth latent variables.