CausalVAE

题目：CausalVAE: Disentangled Representation Learning via Neural Structural Causal Models（通过结构因果模型实现接纠缠表征学习）
作者：Mengyue Yang

一、研究动机
1.目标概念往往是有因果关联的

二、研究目标
1.习得解纠缠表征
2.实现do操作（干预）和反事实
3.自动习得因果图

三、技术方法

1.通过VAE实现因果解纠缠
（1）Transforming Independent Exogenous Factors into Causal Representations（将独立的外生因素转变为因果表征）

例如：z1→z3

（2）Structural Causal Model Layer（即图中mask层，使子节点只与父节点有关）

可根据（公式1）改写为：

这一部分也让do操作成为可能，因为第一层的zi可把影响传递至第二层。

（3）A Probabilistic Generative Model for Causal-VAE



2.学习策略
（1）优化置信下界



优化置信下限，令学习到的分布去靠近真正分布。
（2）学习因果结构
保证习得的知识接近标签u

保证知识可以传递至子节点

保证A为有向无环图（用了别的论文中方法）

总损失

四、实验结果