其他分享
首页 > 其他分享> > Towards Causal Representation Learning

Towards Causal Representation Learning

作者:互联网

背景动机

因果建模层次

不同模型

在这里插入图片描述

不同能力

数据特征

因果模型与推断

由独立同分布数据驱动的方法

Reichenbach准则:从统计到因果

如果两个可观察量X和Y是统计相关的,那么一定存在一个变量Z因果得影响X和Y,并且可以解释它们之间全部的相关性,即给定Z,X和Y是条件独立的。(Z与X或Y可以重合)

因此因果模型可以区分在统计模型看来一样的不同情况

结构因果模型

隐变量和混淆因子

上述图模型需要一个因果充分性假设,即不存在未观察到的共同原因变量,未观察到的变量可能会混淆两个观察到的变量,例如它是两个变量的共同原因

干预

修改结构因果模型中结构方程的一部分

统计模型,因果图模型,结构因果模型的区别

在这里插入图片描述

独立因果机制

因果发现与机器学习

学习因果变量

对机器学习的启示

标签:学习,Towards,变量,模型,干预,Representation,可以,Causal,因果
来源: https://blog.csdn.net/jining11/article/details/115601957