《因果学习周刊》第2期：因果表征学习

关于周刊
文章来源：智源社区
因果学习作为人工智能领域研究热点之一，其研究进展与成果也引发了众多关注。为帮助研究与工程人员了解该领域的相关进展和资讯，智源社区结合领域内容，撰写了第2期《因果学习周刊》。
本期周刊将主要讨论因果表征学习的相关研究。传统的因果发现通常是直接从结构化变量数据出发，研究变量之间的因果关系，但在实际应用中，大量的数据都是非结构化的，例如图片、文本等等；并且，传统的因果发现方法在可扩展性上有较大的局限性，无法处理变量维数较高的情况。因此，传统的因果发现方法在许多场景下无法直接应用。而近年来，随着深度学习的一系列方法的出现，表征学习有了突破性的进展，深度学习在非结构化数据、高维变量数据上有了广泛的应用。于是，“因果表征学习”自然而然地开始得到关注。即：如何从非结构化数据中学出具有因果结构的表征变量。其中，解耦表征学习是实现因果表征学习的一种代表性思路。本期主要介绍了因果表征学习（Causal Representation Learning）相关的方法，也涉及到解耦表征学习（Disentangled Representation Learning）的一些方法，部分文章探讨了与分布外泛化问题（Out-of-Distribution Generalization）的关系。最后介绍了一篇今年较新的因果表征学习的综述文章。
周刊采用社区协作的模式产生，欢迎感兴趣的朋友们参与我们的工作，一起来推动因果学习社群的分享、学习和交流活动。可以扫描文末的二维码加入因果学习社区群。
本期贡献者：禹含

论文推荐

标题：UCL & Huawei | CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models (CVPR 2021)
简介：学习解耦表征的目的是找到一组低维表征，这组表征由多个可解释的、生成性的因素构成。VAE的框架已经被广泛用于从观测数据中解耦出独立的因素。然而，在现实情况下，有语义的因素不一定是独立的，反而可能有一套内在的因果结构使得这些因素是互相依赖的。本文继而提出了一个新的VAE框架，名叫CausalVAE，其中包含了一个因果层来将独立的外部变量转变为因