論文の概要: Mechanistic Independence: A Principle for Identifiable Disentangled Representations
- arxiv url: http://arxiv.org/abs/2509.22196v1
- Date: Fri, 26 Sep 2025 10:58:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:54.377954
- Title: Mechanistic Independence: A Principle for Identifiable Disentangled Representations
- Title（参考訳）: 機械的独立性:不整合表現の原理
- Authors: Stefan Matthes, Zhiwei Han, Hao Shen,
- Abstract要約: アンタングル表現は、観測データに基づく変動の潜伏因子を復元しようとする。
メカニスティックな独立によって解離が達成される統一的な枠組みを導入する。
- 参考スコア（独自算出の注目度）: 7.550362088105815
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Disentangled representations seek to recover latent factors of variation underlying observed data, yet their identifiability is still not fully understood. We introduce a unified framework in which disentanglement is achieved through mechanistic independence, which characterizes latent factors by how they act on observed variables rather than by their latent distribution. This perspective is invariant to changes of the latent density, even when such changes induce statistical dependencies among factors. Within this framework, we propose several related independence criteria -- ranging from support-based and sparsity-based to higher-order conditions -- and show that each yields identifiability of latent subspaces, even under nonlinear, non-invertible mixing. We further establish a hierarchy among these criteria and provide a graph-theoretic characterization of latent subspaces as connected components. Together, these results clarify the conditions under which disentangled representations can be identified without relying on statistical assumptions.
- Abstract（参考訳）: 歪んだ表現は、観測データに基づく変動の潜伏要因を回復しようとするが、その識別性はまだ完全には理解されていない。
本研究では,機械的独立性によって解離が達成される統一的な枠組みを導入し,その潜在分布ではなく,観測変数にどのように作用するかによって潜在因子を特徴付ける。
この観点は、そのような変化が要因間の統計的依存関係を誘導しても、潜伏密度の変化に不変である。
本枠組みでは,サポートベースやスパーシティベースから高次条件まで,いくつかの関連する独立性基準を提案し,非線形な非可逆混合においても,各収率が潜在部分空間の識別可能性を示す。
さらにこれらの基準の中で階層を確立し、連結成分として潜在部分空間をグラフ理論で特徴づける。
これらの結果は,統計的仮定に頼らずに,不整合表現を識別できる条件を明らかにした。
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) - Generalizing Nonlinear ICA Beyond Structural Sparsity [15.450470872782082]
非線形ICAの識別性は追加の仮定なしでは不可能であることが知られている。
近年の進歩は、構造スパーシティとして知られる観測変数への接続構造に関する条件を提案している。
フレキシブルなグルーピング構造であっても,適切な識別性が得られることを示す。
論文 参考訳（メタデータ） (2023-11-01T21:36:15Z) - 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) - On the Identifiability of Quantized Factors [33.12356885773274]
一般非線形微分同相の下で量子化潜在因子を復元することは可能であることを示す。
本稿では、この新しい形の量子化因子識別可能性を紹介し、量子化因子の回復の包括的証明を提供する。
論文 参考訳（メタデータ） (2023-06-28T16:10:01Z) - Learning nonparametric latent causal graphs with unknown interventions [18.6470340274888]
潜在因果グラフが非パラメトリック同定可能な条件を確立する。
隠れ変数の数は分かっていないと仮定し、隠された変数に対して少なくとも1つの未知の介入が必要であることを示す。
論文 参考訳（メタデータ） (2023-06-05T14:06:35Z) - 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) - Weakly Supervised Representation Learning with Sparse Perturbations [82.39171485023276]
潜伏変数のスパース摂動によって生じる観測の監督が弱い場合、未知の連続潜伏分布の下で識別が達成可能であることを示す。
本稿では,この理論に基づく自然な推定手法を提案し,それを低次元の合成および画像に基づく実験で説明する。
論文 参考訳（メタデータ） (2022-06-02T15:30:07Z)
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。