Fugu-MT 論文翻訳(概要): CausalVAE: Structured Causal Disentanglement in Variational Autoencoder

論文の概要: CausalVAE: Structured Causal Disentanglement in Variational Autoencoder

arxiv url: http://arxiv.org/abs/2004.08697v7
Date: Tue, 19 Dec 2023 03:58:16 GMT
ステータス: 処理完了
システム内更新日: 2023-12-21 03:47:36.209068
Title: CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
Title（参考訳）: CausalVAE: 変分オートエンコーダにおける構造的因果距離
Authors: Mengyue Yang, Furui Liu, Zhitang Chen, Xinwei Shen, Jianye Hao, Jun Wang
Abstract要約: 変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子をアンタングルするために一般的に用いられる。本稿では, 因果内因性因子を因果内因性因子に変換する因果層を含むVOEベースの新しいフレームワークCausalVAEを提案する。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。
参考スコア（独自算出の注目度）: 52.139696854386976
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Learning disentanglement aims at finding a low dimensional representation which consists of multiple explanatory and generative factors of the observational data. The framework of variational autoencoder (VAE) is commonly used to disentangle independent factors from observations. However, in real scenarios, factors with semantics are not necessarily independent. Instead, there might be an underlying causal structure which renders these factors dependent. We thus propose a new VAE based framework named CausalVAE, which includes a Causal Layer to transform independent exogenous factors into causal endogenous ones that correspond to causally related concepts in data. We further analyze the model identifiabitily, showing that the proposed model learned from observations recovers the true one up to a certain degree by providing supervision signals (e.g. feature labels). Experiments are conducted on various datasets, including synthetic and real word benchmark CelebA. Results show that the causal representations learned by CausalVAE are semantically interpretable, and their causal relationship as a Directed Acyclic Graph (DAG) is identified with good accuracy. Furthermore, we demonstrate that the proposed CausalVAE model is able to generate counterfactual data through "do-operation" to the causal factors.
Abstract（参考訳）: 学習の絡み合いは、観測データの複数の説明的および生成的要素からなる低次元表現を見つけることを目的としている。変分オートエンコーダ(VAE)の枠組みは、観測から独立した因子を分離するために一般的に用いられる。しかし、実際のシナリオでは、意味論的要因は必ずしも独立ではない。代わりに、これらの要因に依存する因果構造が存在するかもしれない。そこで我々は、CausalVAEという新しいVAEベースのフレームワークを提案する。Causal Layerは、独立な外因性要因を因果内因性要素に変換するためのCausal Layerを含んでいる。さらに、観測結果から得られたモデルが、監視信号(例えば、特徴ラベル)を提供することで、真のモデルをある程度回復することを示す。合成および実単語ベンチマークCelebAなど、さまざまなデータセットで実験が行われる。その結果、CausalVAEが学習した因果表現は意味論的に解釈可能であり、DAG(Directed Acyclic Graph)としての因果関係は精度良く同定された。さらに,提案したCausalVAEモデルにより,因果要因に対する「協調」を通じて,対実データを生成することができることを示す。

関連論文リスト

Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
A Causal Ordering Prior for Unsupervised Representation Learning [27.18951912984905]
因果表現学習(Causal representation learning)は、データセットの変動の要因は、実際には因果関係にあると主張している。本稿では,遅延付加雑音モデルを用いたデータ生成過程を考慮した,教師なし表現学習手法を提案する。
論文参考訳（メタデータ） (2023-07-11T18:12:05Z)
Towards Causal Representation Learning and Deconfounding from Indefinite Data [17.793702165499298]
非統計データ(画像、テキストなど)は、従来の因果データとプロパティやメソッドの点で重大な対立に遭遇する。 2つの新しい視点から因果データを再定義し、3つのデータパラダイムを提案する。非定値データから因果表現を学習するための動的変分推論モデルとして,上記の設計を実装した。
論文参考訳（メタデータ） (2023-05-04T08:20:37Z)
Identifying Weight-Variant Latent Causal Models [82.14087963690561]
推移性は潜在因果表現の識別性を阻害する重要な役割を担っている。いくつかの軽微な仮定の下では、潜伏因果表現が自明な置換とスケーリングまで特定可能であることを示すことができる。本稿では,その間の因果関係や因果関係を直接学習する構造的caUsAl変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2022-08-30T11:12:59Z)
Causality Inspired Representation Learning for Domain Generalization [47.574964496891404]
本稿では、ドメイン一般化問題を形式化する一般的な構造因果モデルを提案する。我々の目標は、入力から因果因子を抽出し、不変因果機構を再構築することである。理想的な因果因子は、非因果的要因から分離され、共同独立であり、分類に十分な因果的要因である。
論文参考訳（メタデータ） (2022-03-27T08:08:33Z)
On Causally Disentangled Representations [18.122893077772993]
本稿では,不整合因果過程の概念を用いて,不整合表現の分析を行う。我々の測定値が不整合因果過程のデシダラタを捉えていることが示される。本研究では,このメトリクスとデータセットを用いて,非絡み合った表現学習者の状態に関する実証的研究を行い,因果的視点から評価する。
論文参考訳（メタデータ） (2021-12-10T18:56:27Z)
Causal Discovery in Linear Structural Causal Models with Deterministic Relations [27.06618125828978]
我々は因果発見の課題と観察データに焦点をあてる。因果構造の特異な識別に必要かつ十分な条件のセットを導出する。
論文参考訳（メタデータ） (2021-10-30T21:32:42Z)
Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning [76.00395335702572]
AIと因果関係の中心的な目標は、抽象表現と因果構造を共同で発見することである。因果誘導を研究するための既存の環境は、複雑なタスク固有の因果グラフを持つため、この目的には適していない。本研究の目的は,高次変数の学習表現と因果構造の研究を促進することである。
論文参考訳（メタデータ） (2021-07-02T05:44:56Z)
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures [132.74509389517203]
離散DAG空間上の自己回帰分布をモデル化したパラメトリック変分族を導入する。実験では,提案した変分後部が真の後部を良好に近似できることを示した。
論文参考訳（メタデータ） (2021-06-14T17:52:49Z)
Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文参考訳（メタデータ） (2020-11-04T10:00:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。