文章预览
来源：专知 本文 为论文介绍 ，建议阅读 5 分钟 本论文探讨了在没有直接监督的情况下，CRL的可能性和不可能性，从而为其理论基础做出贡献 。 本论文将因果关系与表示学习的思想结合在一起。因果模型通过描述每个变量受其直接原因影响的机制，提供了对复杂系统的丰富描述 。因果模型支持对系统部分进行操作的推理，捕捉各种干预分布，从而有望解决人工智能（AI）的一些开放性挑战，如规划、在变化环境中的知识迁移或对分布变化的鲁棒性。然而，因果模型在AI中更广泛应用的一个关键障碍是需要预先指定相关变量，而这通常不适用于现代AI系统处理的高维、非结构化数据。同时，机器学习（ML）在自动提取此类复杂数据的有用和紧凑表示方面非常成功。因果表示学习（CRL）旨在通过学习具有因果模型语义的潜变量表示，结合ML和因果关系
………………………………
