Lernen kausal entwirrter Repräsentationen anhand des Prinzips unabhängiger kausaler Mechanismen

Das Erlernen kausal entwirrter Repräsentationen ist ein herausforderndes Problem, das in letzter Zeit aufgrund seiner Bedeutung für die Gewinnung aussagekräftiger Informationen für nachgelagerte Aufgaben erhebliche Aufmerksamkeit erfahren hat. In dieser Arbeit definieren wir einen neuen Begriff der kausalen Entwirrung aus der Perspektive unabhängiger kausaler Mechanismen. Wir schlagen ICM-VAE vor, ein Framework zum Lernen kausal entwirrter Repräsentationen, das durch kausal zusammenhängende beobachtete Labels überwacht wird. Wir modellieren kausale Mechanismen mithilfe nichtlinearer, lernbarer, flussbasierter diffeomorpher Funktionen, um Rauschvariablen auf latente kausale Variablen abzubilden. Darüber hinaus schlagen wir zur Förderung der Entwirrung kausaler Faktoren eine kausale Entwirrungs-Prior-Verteilung vor, die aus Hilfslabels und der latenten kausalen Struktur gelernt wird. Theoretisch zeigen wir die Identifizierbarkeit kausaler Faktoren und Mechanismen bis auf Permutation und elementweise Reparameterisierung. Empirisch demonstrieren wir, dass unser Framework hochgradig entworfene kausale Faktoren induziert, die interventionelle Robustheit verbessert und mit kontrafaktischer Generierung kompatibel ist.