Multi-Domain Empirical Bayes for Linearly-Mixed Causal Representations
线性混合因果表征的多域经验贝叶斯学习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：摘要明确以结构因果模型、跨域干预和潜在因果变量学习为研究对象。
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…
线性混合因果表征的多域经验贝叶斯学习
- 研究问题
- 在多个数据域共享潜在因果模型、域间差异来自干预时，如何借助经验贝叶斯改善高维观测中的低维因果变量估计？
- 方法与思路
- 作者采用线性测量模型和共享无环结构因果模型产生的干预先验，在图与干预目标已知时构建因果结构评分匹配的 EM 式算法。
- 材料陈述的贡献
- 摘要提出利用域内及域间不变结构的经验贝叶斯 f 建模算法，讨论 g 建模，并称合成数据实验中的表征估计更准确。
- 阅读关注点
- 应核对线性混合模型的识别条件、已知图和干预目标的作用、经验贝叶斯先验的估计方式，以及比较方法和误差指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要仅报告合成实验，未说明图或干预目标未知时能否获得同样结论。
原文摘要
Causal representation learning (CRL) aims to learn low-dimensional causal latent variables from high-dimensional observations. While identifiability has been extensively studied for CRL, estimation has been less explored. In this paper, we explore the use of empirical Bayes (EB) to estimate causal representations. In particular, we consider the problem of learning from data from multiple domains, where differences between domains are modeled by interventions in a shared underlying causal model. Multi-domain CRL naturally poses a simultaneous inference problem that EB is designed to tackle. Here, we propose an EB $f$-modeling algorithm that improves the quality of learned causal variables by exploiting invariant structure within and across domains. Specifically, we consider a linear measurement model and interventional priors arising from a shared acyclic SCM. When the graph and intervention targets are known, we develop an EM-style algorithm based on causally structured score matching. We further discuss EB $g$-modeling in the context of existing CRL approaches. In experiments on synthetic data, our proposed method achieves more accurate estimation than other methods for CRL.