論文の概要: Disentanglement of Latent Representations via Sparse Causal Interventions

• arxiv url: http://arxiv.org/abs/2302.00869v1
• Date: Thu, 2 Feb 2023 04:37:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-03 15:23:13.084925
• Title: Disentanglement of Latent Representations via Sparse Causal Interventions
• Title（参考訳）: 疎因果干渉による潜在表現の歪み
• Authors: Ga\"el Gendron, Michael Witbrock and Gillian Dobbie
• Abstract要約: 因果力学に着想を得た新しい解離法を提案する。 我々のモデルは、量子化されたベクトルを因果変数とみなし、因果グラフでそれらをリンクする。 グラフの因果的介入を行い、画像の変動のユニークな要因に影響を与える原子遷移を生成する。
• 参考スコア（独自算出の注目度）: 5.379526077268151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The process of generating data such as images is controlled by independent and unknown factors of variation. The retrieval of these variables has been studied extensively in the disentanglement, causal representation learning, and independent component analysis fields. Recently, approaches merging these domains together have shown great success. Instead of directly representing the factors of variation, the problem of disentanglement can be seen as finding the interventions on one image that yield a change to a single factor. Following this assumption, we introduce a new method for disentanglement inspired by causal dynamics that combines causality theory with vector-quantized variational autoencoders. Our model considers the quantized vectors as causal variables and links them in a causal graph. It performs causal interventions on the graph and generates atomic transitions affecting a unique factor of variation in the image. We also introduce a new task of action retrieval that consists of finding the action responsible for the transition between two images. We test our method on standard synthetic and real-world disentanglement datasets. We show that it can effectively disentangle the factors of variation and perform precise interventions on high-level semantic attributes of an image without affecting its quality, even with imbalanced data distributions.
• Abstract（参考訳）: 画像などのデータを生成するプロセスは、独立かつ未知の変動要因によって制御される。 これらの変数の検索は、絡み合い、因果表現学習、独立成分分析分野において広く研究されている。 近年、これらのドメインを結合するアプローチは大きな成功を収めている。 ばらつきの要因を直接表現する代わりに、絡み合いの問題は、1つのイメージに1つの要因に変化をもたらす介入を見つけることと見なすことができる。 この仮定に従い,因果性理論とベクトル量子化変分オートエンコーダを組み合わせた因果動力学に触発された新たな不等角化法を提案する。 本モデルは,量子化されたベクトルを因果変数と考え,それらを因果グラフに関連付ける。 グラフの因果的介入を行い、画像の変動のユニークな要因に影響を与える原子遷移を生成する。 また,2つの画像間の遷移に責任を負う行動を見つけることで,新たな行動検索タスクを導入する。 提案手法は,標準合成および実世界のディコンタングルメントデータセットで検証する。 変動要因を効果的に解き、不均衡なデータ分布であっても画質に影響を与えずに画像の高レベルな意味的属性を正確に介入できることを示す。

関連論文リスト

• 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)
• 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)
• Counterfactual Fairness with Disentangled Causal Effect Variational Autoencoder [26.630680698825632]
  本稿では、公平な分類の問題を解決するために、DCEVAE(Disentangled Causal Effect Variational Autoencoder)を提案する。 本手法は,完全な因果グラフを使わずに,全効果と対実効果を推定する。
  論文  参考訳（メタデータ） (2020-11-24T03:43:59Z)
• Learning Disentangled Representations with Latent Variation Predictability [102.4163768995288]
  本稿では,潜在不整合表現の変動予測可能性について述べる。 逆生成プロセス内では、潜時変動と対応する画像対の相互情報を最大化することにより、変動予測可能性を高める。 本研究では,潜在表現の絡み合いを測るために,基礎的構造的生成因子に依存しない評価指標を開発する。
  論文  参考訳（メタデータ） (2020-07-25T08:54:26Z)
• 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)
• Learning to Manipulate Individual Objects in an Image [71.55005356240761]
  本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。 これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。 他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
  論文  参考訳（メタデータ） (2020-04-11T21:50:20Z)

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。