ICLR 23 Submission (6.5)｜用于瞬时效应和时间效应的因果表征学习

简介：因果表征学习是指从高维观察结果（如图像）中识别基本的因果变量及其关系的任务。最近的工作表明，在假设它们之间没有瞬时因果关系的情况下，人们可以从观察的时间序列中重建因果变量。然而，在实际应用中，我们的测量或帧速率可能比许多因果效应要慢。这就有效地产生了 "瞬时 "效应，使以前的可识别性结果无效。为了解决这个问题，我们提出了iCITRIS，一种因果表征学习方法，允许在已知干预目标的时间序列中出现瞬时效应。iCITRIS从时间观察中识别潜在的多维因果变量，同时使用可区分的因果发现方法来学习它们的因果图。在三个视频数据集的实验中，iCITRIS准确地识别了因果变量及其因果图。