Identifiability Guarantees for Causal Disentanglement from Soft Interventions
软干预下因果解耦的可识别性保证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：摘要直接研究软干预下潜在因果模型的识别，以及未见干预组合的效应预测。
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…
关注这篇论文的作者
软干预下因果解耦的可识别性保证
- 研究问题
- 当因果变量不可直接观测，仅有不配对的观察与干预数据，且每次干预改变一个潜变量机制时，能否识别潜在因果表示？
- 方法与思路
- 作者引入广义忠实性概念研究潜在因果模型的可识别性，并开发自编码变分贝叶斯算法，将其应用于基因组学组合扰动效应预测。
- 材料陈述的贡献
- 摘要称无限数据下可恢复潜在因果模型至一个等价类，并预测未见干预组合的效应，将可识别性结果扩展至不可观测因果变量。
- 阅读关注点
- 应核对广义忠实性的定义、干预覆盖与机制变化的要求、可恢复等价类的范围，以及理论保证与变分算法实际输出之间的关系。
- 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；摘要未说明完整识别条件与等价类内容，无限数据结论不保证有限样本唯一恢复。
原文摘要
Causal disentanglement aims to uncover a representation of data using latent variables that are interrelated through a causal model. Such a representation is identifiable if the latent model that explains the data is unique. In this paper, we focus on the scenario where unpaired observational and interventional data are available, with each intervention changing the mechanism of a latent variable. When the causal variables are fully observed, statistically consistent algorithms have been developed to identify the causal model under faithfulness assumptions. We here show that identifiability can still be achieved with unobserved causal variables, given a generalized notion of faithfulness. Our results guarantee that we can recover the latent causal model up to an equivalence class and predict the effect of unseen combinations of interventions, in the limit of infinite data. We implement our causal disentanglement framework by developing an autoencoding variational Bayes algorithm and apply it to the problem of predicting combinatorial perturbation effects in genomics.