Linear causal disentanglement via higher-order cumulants
通过高阶累积量实现线性因果解耦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：摘要研究潜在因果结构在不同干预下的可识别性，直接对应因果推断。
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…
通过高阶累积量实现线性因果解耦
- 研究问题
- 在观测变量由具有因果依赖的潜变量生成、且潜变量可能多于观测变量时，多情境干预数据能识别哪些潜在图结构与模型参数？
- 方法与思路
- 作者在非零高阶累积量条件下，利用耦合张量分解给出完美干预的构造性识别证明，并通过多项式方程研究软干预下的等价类。
- 材料陈述的贡献
- 摘要称，每个潜变量一次完美干预足以恢复参数且在最坏情况下必要，并刻画软干预下与观测数据一致的潜在图和参数等价类。
- 阅读关注点
- 应核对完美干预与软干预的定义、参数恢复允许的等价变换、累积量及干预条件，以及张量分解如何从识别证明转化为可行算法。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；结论依赖非零高阶累积量及非高斯性，摘要未说明有限样本稳定性或完整条件。
原文摘要
Linear causal disentanglement is a recent method in causal representation learning to describe a collection of observed variables via latent variables with causal dependencies between them. It can be viewed as a generalization of both independent component analysis and linear structural equation models. We study the identifiability of linear causal disentanglement, assuming access to data under multiple contexts, each given by an intervention on a latent variable. We show that one perfect intervention on each latent variable is sufficient and in the worst case necessary to recover parameters under perfect interventions, generalizing previous work to allow more latent than observed variables. We give a constructive proof that computes parameters via a coupled tensor decomposition. For soft interventions, we find the equivalence class of latent graphs and parameters that are consistent with observed data, via the study of a system of polynomial equations. Our results hold assuming the existence of non-zero higher-order cumulants, which implies non-Gaussianity of variables.