简介：学习解耦表征的目的是找到一组低维表征，这组表征由多个可解释的、生成性的因素构成。VAE的框架已经被广泛用于从观测数据中解耦出独立的因素。然而，在现实情况下，有语义的因素不一定是独立的，反而可能有一套内在的因果结构使得这些因素是互相依赖的。本文继而提出了一个新的VAE框架，名叫CausalVAE，其中包含了一个因果层来将独立的外部变量转变为因果的内部变量，这些变量对应于数据中有因果关系的一些概念。本文进一步分析了模型的可识别性，表明提出的模型可以在一定程度上恢复真实数据。本文在多个数据集上做了实验，包括模拟数据和真实基准数据集CelebA。结果表明，CausalVAE学出的因果表征在语义上是可解释的，并且它们以有向无环图（DAG）呈现的因果关系的识别正确率是很高的。更进一步地，本文证明了提出的CausalVAE模型能够通过对因果变量实施“do操作”，产生反事实的数据。

论文链接：https://arxiv.org/pdf/2004.08697.pdf

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