論文の概要: Temporally Disentangled Representation Learning

• arxiv url: http://arxiv.org/abs/2210.13647v1
• Date: Mon, 24 Oct 2022 23:02:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-26 14:13:25.617634
• Title: Temporally Disentangled Representation Learning
• Title（参考訳）: 時間的アンタングル表現学習
• Authors: Weiran Yao, Guangyi Chen, Kun Zhang
• Abstract要約: 下位の潜伏変数とその因果関係が任意の非パラメトリック因果関係を持つかどうかは不明である。 時間遅延因果変数を復元する基本フレームワークである textbftextttTDRL を提案する。 私たちのアプローチは、このモジュラー表現を正しく活用しない既存のベースラインをかなり上回ります。
• 参考スコア（独自算出の注目度）: 14.762231867144065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently in the field of unsupervised representation learning, strong identifiability results for disentanglement of causally-related latent variables have been established by exploiting certain side information, such as class labels, in addition to independence. However, most existing work is constrained by functional form assumptions such as independent sources or further with linear transitions, and distribution assumptions such as stationary, exponential family distribution. It is unknown whether the underlying latent variables and their causal relations are identifiable if they have arbitrary, nonparametric causal influences in between. In this work, we establish the identifiability theories of nonparametric latent causal processes from their nonlinear mixtures under fixed temporal causal influences and analyze how distribution changes can further benefit the disentanglement. We propose \textbf{\texttt{TDRL}}, a principled framework to recover time-delayed latent causal variables and identify their relations from measured sequential data under stationary environments and under different distribution shifts. Specifically, the framework can factorize unknown distribution shifts into transition distribution changes under fixed and time-varying latent causal relations, and under observation changes in observation. Through experiments, we show that time-delayed latent causal influences are reliably identified and that our approach considerably outperforms existing baselines that do not correctly exploit this modular representation of changes. Our code is available at: \url{https://github.com/weirayao/tdrl}.
• Abstract（参考訳）: 近年,教師なし表現学習の分野では,クラスラベルなどの特定のサイド情報を独立性に加えて活用することにより,因果関係の潜在変数の不等角化に対する強い識別性が確立されている。 しかし、既存のほとんどの研究は、独立元や線型遷移などの関数形式仮定や、定常的、指数関数的な家族分布のような分布仮定に制約されている。 基礎となる潜在変数とその因果関係が、それらの間に任意で非パラメトリックな因果的影響があるかどうかは不明である。 本研究では, 時間的因果関係の一定条件下での非線形混合から非パラメトリック潜時因果過程の同定可能性理論を確立し, 分布変化がさらなる絡み合いの恩恵をもたらすか分析する。 本研究では,時間制約付き潜在因果変数を回収し,定常環境下および異なる分布シフト下で測定された逐次データからそれらの関係を同定する原則付きフレームワークである \textbf{\textt{tdrl}} を提案する。 具体的には, 未知の分布変化を時間的・時間的に変化した因果関係の下での遷移分布変化に分解することができる。 実験を通じて,時間的遅延の潜在因果的影響が確実に同定され,このモジュール表現を正しく活用しない既存のベースラインをかなり上回ることを示す。 私たちのコードは、 \url{https://github.com/weirayao/tdrl} で利用可能です。

関連論文リスト

• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Temporally Disentangled Representation Learning under Unknown Nonstationarity [35.195001384417395]
  我々は、時間遅れの潜伏因果変数を再構成するために、原則的推定フレームワークNCTRLを導入する。 経験的評価は、時間遅れの潜伏因果関係の信頼性を実証した。
  論文  参考訳（メタデータ） (2023-10-28T06:46:03Z)
• 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)
• 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)
• 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)
• Learning Latent Causal Dynamics [14.762231867144065]
  時間遅延型因果変数を復元する原理的フレームワークLiLYを提案する。 次に、異なる分布シフトの下で測定された時間データからそれらの関係を同定する。 修正ステップは、いくつかのサンプルで低次元の変化係数を学習するものとして定式化される。
  論文  参考訳（メタデータ） (2022-02-10T04:23:32Z)
• Learning Temporally Causal Latent Processes from General Temporal Data [22.440008291454287]
  それらの非線形混合物から時間的因果潜在過程を同定できる2つの証明可能な条件を提案する。 種々のデータセットに対する実験結果から, 時間的因果潜在過程が観測変数から確実に同定されることが示された。
  論文  参考訳（メタデータ） (2021-10-11T17:16:19Z)
• Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
  我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。 我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
  論文  参考訳（メタデータ） (2021-01-17T07:48:45Z)

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。