实体
Causal Representation Learning
Causal Representation Learning
PulseAugur coverage of Causal Representation Learning — every cluster mentioning Causal Representation Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
TRACE框架对因果表示学习中连续机制演化进行建模
研究人员推出了一种新颖的专家混合（Mixture-of-Experts）框架TRACE，旨在解决当前时间因果表示学习方法的局限性。与假设因果机制之间瞬时切换的现有方法不同，TRACE通过将连续过渡表示为原子机制的凸组合来对其进行建模。该框架能够恢复潜在因果变量和连续混合轨迹，即使是训练期间未见的中间状态。实验表明，TRACE可以将混合轨迹的相关性提高到0.99，显著优于离散切换基线。
-
Concept Modulation Models 统一了 AI 研究中的可识别性和外推性
研究人员推出了一种新的框架——概念调制模型（CMMs），旨在统一条件潜在变量模型中的可识别性和外推性。该框架解决了属性的观测变化如何影响潜在结构，以及这些结构又如何影响在未见属性下的分布。CMMs 提供了一种结构化方法，表示为 $A\to \Lambda \to C\to X$，其中属性调节生成观测特征的潜在概念，为分析这些属性在各种模型中的特性提供了更通用的方法。
-
统一框架连接因果与传统表示学习
研究人员提出了一个统一框架，以弥合因果表示学习（CRL）与传统表示学习之间的差距。这种新的公式通过任务组件（定义所需信息）和约束组件（指定潜在空间结构）来表征表示学习。该论文认为，这两个领域之间的对话至关重要，CRL 提供理论工具，传统学习提供实践见解。在 CausalVerse 上的实验表明，因果约束的有效性高度依赖于配对任务。