简介：我们研究在潜在变量存在的情况下，从数据重建一个因果图模型的问题。我们感兴趣的主要问题是恢复潜在变量的因果结构，同时允许变量之间存在一般的、潜在的非线性依赖关系。在许多实际问题中，原始观测值(如图像中的像素)之间的相关性远不如某些高级的、潜在的特征(如概念或对象)之间的相关性，这也是我们的研究目标。我们提供了一些条件，在这些条件下，潜在的表征和潜在的因果模型都可以通过一个Mixture Oracles被识别。证明是构造性的，并由此导出了几个算法来显式重建完整的图形模型。我们讨论了有效的算法，并提供了实验来说明算法的实际应用。

 

论文链接：https://arxiv.org/pdf/2106.15563.pdf
推荐理由：本文研究了潜在因果图的学习问题，并给出了可识别性的前提条件，具有较大的参考价值。

内容中包含的图片若涉及版权问题，请及时与我们联系删除