論文の概要: Weakly Supervised Disentangled Generative Causal Representation Learning

• arxiv url: http://arxiv.org/abs/2010.02637v3
• Date: Wed, 24 Aug 2022 12:57:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 05:00:26.148751
• Title: Weakly Supervised Disentangled Generative Causal Representation Learning
• Title（参考訳）: 弱教師付き異方性生成因果表現学習
• Authors: Xinwei Shen, Furui Liu, Hanze Dong, Qing Lian, Zhitang Chen, and Tong Zhang
• Abstract要約: 本研究は, 従来手法では, 監督下においても, 因果関係の要因を解消できないことを示す。 本稿では、因果制御可能な生成と因果表現学習を可能にする、新たな非絡み合い学習法を提案する。
• 参考スコア（独自算出の注目度）: 21.392372783459013
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a Disentangled gEnerative cAusal Representation (DEAR) learning method under appropriate supervised information. Unlike existing disentanglement methods that enforce independence of the latent variables, we consider the general case where the underlying factors of interests can be causally related. We show that previous methods with independent priors fail to disentangle causally related factors even under supervision. Motivated by this finding, we propose a new disentangled learning method called DEAR that enables causal controllable generation and causal representation learning. The key ingredient of this new formulation is to use a structural causal model (SCM) as the prior distribution for a bidirectional generative model. The prior is then trained jointly with a generator and an encoder using a suitable GAN algorithm incorporated with supervised information on the ground-truth factors and their underlying causal structure. We provide theoretical justification on the identifiability and asymptotic convergence of the proposed method. We conduct extensive experiments on both synthesized and real data sets to demonstrate the effectiveness of DEAR in causal controllable generation, and the benefits of the learned representations for downstream tasks in terms of sample efficiency and distributional robustness.
• Abstract（参考訳）: 本稿では,適切な教師付き情報の下でのDEAR学習手法を提案する。 潜在変数の独立性を強制する既存の不連続化法とは異なり、興味の根底にある要因が因果関係にある場合を考える。 本研究は, 従来手法では, 監督下においても, 因果関係の要因を解消できないことを示す。 そこで本研究では、因果制御可能な生成と因果表現学習を可能にするDEARと呼ばれる非絡み合い学習手法を提案する。 この新定式化の鍵となる要素は、双方向生成モデルの事前分布として構造因果モデル(SCM)を使用することである。 前者は生成器とエンコーダと共同で学習し,その基礎となる因果構造に関する教師付き情報を組み込んだ適切なGANアルゴリズムを用いて学習する。 提案手法の同定可能性および漸近収束に関する理論的正当性を提供する。 我々は,合成データと実データの両方について広範な実験を行い,causal controllable generationにおけるdearの有効性と,サンプル効率と分布的ロバスト性の観点から下流タスクにおける学習表現の効果を実証した。

関連論文リスト

• Identifiable Latent Neural Causal Models [82.14087963690561]
  因果表現学習は、低レベルの観測データから潜伏した高レベルの因果表現を明らかにすることを目指している。 因果表現の識別可能性に寄与する分布シフトのタイプを決定する。 本稿では,本研究の成果を実用的なアルゴリズムに翻訳し,信頼性の高い潜在因果表現の取得を可能にする。
  論文  参考訳（メタデータ） (2024-03-23T04:13:55Z)
• Inducing Causal Structure for Abstractive Text Summarization [76.1000380429553]
  要約データの因果構造を誘導する構造因果モデル(SCM)を導入する。 本稿では因果的要因を模倣できる因果的表現を学習するための因果性インスピレーション付き系列列列モデル(CI-Seq2Seq)を提案する。 2つの広く使われているテキスト要約データセットの実験結果は、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2023-08-24T16:06:36Z)
• 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)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Do-Operation Guided Causal Representation Learning with Reduced Supervision Strength [12.012459418829732]
  高次元データに表される要因間の関係を符号化する因果表現学習法が提案されている。 本稿では,2組の入力から符号化された遅延原因と影響要因を交換することで,協調処理を実現するフレームワークを提案する。 また,既存の因果表現指標の不適切さを実証的かつ理論的に同定し,より良い評価のための新しい指標を導入する。
  論文  参考訳（メタデータ） (2022-06-03T20:18:04Z)
• Principled Knowledge Extrapolation with GANs [92.62635018136476]
  我々は,知識外挿の新たな視点から,対実合成を研究する。 本稿では, 知識外挿問題に対処するために, クローズド形式判別器を用いた対角ゲームが利用可能であることを示す。 提案手法は,多くのシナリオにおいて,エレガントな理論的保証と優れた性能の両方を享受する。
  論文  参考訳（メタデータ） (2022-05-21T08:39:42Z)
• 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)
• Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
  因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
  論文  参考訳（メタデータ） (2020-11-03T13:16:05Z)
• CausalVAE: Structured Causal Disentanglement in Variational Autoencoder [52.139696854386976]
  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。
  論文  参考訳（メタデータ） (2020-04-18T20:09:34Z)

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。