CausalVAE

最新推荐文章于 2025-09-11 01:23:25 发布

原创最新推荐文章于 2025-09-11 01:23:25 发布 · 1.7k 阅读

3 ·

CC 4.0 BY-SA版权

行人重识别同时被 2 个专栏收录

15 篇文章

订阅专栏

笔记

13 篇文章

订阅专栏

CausalVAE由Mengyue Yang提出，旨在利用神经结构因果模型（SCM）实现解纠缠的表征学习。研究目标包括学习解纠缠的因果表示、执行do操作和反事实推理，并自动学习因果图。方法包括将独立的外生因素转化为因果表示，使用SCM层确保子节点仅与父节点相关，以及建立概率生成模型。学习策略涉及优化证据下界以逼近真实分布，并学习因果结构。实验结果显示了模型的有效性。

题目：CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models（通过结构因果模型实现接纠缠表征学习）
作者：Mengyue Yang

一、研究动机
1.目标概念往往是有因果关联的
在这里插入图片描述
二、研究目标
1.习得解纠缠表征
2.实现do操作（干预）和反事实
3.自动习得因果图

三、技术方法
在这里插入图片描述
1.通过VAE实现因果解纠缠
（1）Transforming Independent Exogenous Factors into Causal Representations（将独立的外生因素转变为因果表征）

例如：z1→z3

（2）Structural Causal Model Layer（即图中mask层，使子节点只与父节点有关）
在这里插入图片描述
可根据（公式1）改写为：

这一部分也让do操作成为可能，因为第一层的zi可把影响传递至第二层。

（3）A Probabilistic Generative Model for Causal-VAE
在这里插入图片描述

2.学习策略
（1）优化置信下界

优化置信下限，令学习到的分布去靠近真正分布。
（2）学习因果结构
保证习得的知识接近标签u

保证知识可以传递至子节点

保证A为有向无环图（用了别的论文中方法）
在这里插入图片描述
总损失

四、实验结果