缺失数据因果解缠表征

反事实生成

通过异质网络补全缺失数据并结合因果编码器，实现对真实因果关系的解缠表征学习，优于CausalVAE。

Mingjie, Chen · 王红成 · Wang, Ruxin · Peng, Yuzhong · 张浩

Knowledge-Based Systems 2024

技术优势

少数据也能解缠

在标注样本很少的情况下，CDRM 的解缠表征仍然一致优于 CausalVAE，说明其利用因果结构提升了样本效率。

能生成反事实

模型在给定缺失观测时能生成对应的反事实数据，这在机器学习的可解释性和决策支持中很有价值。

因果结构可恢复

通过在异质网络消息传递中引入边嵌入，CDRM 捕捉特征间的交互，从而恢复缺失数据背后的真实因果关系。

应用场景

• 具身智能：利用因果解缠表征对不完全观测进行推理，提升智能体在不确定环境中的决策能力。
• 机器人学习：在传感器数据缺失时仍能学习因果表征，支持机器人从部分观测中构建世界模型。
• 传感器数据分析：补全缺失传感器数据的同时保留因果结构，避免传统插补造成的关系扭曲。
• 物联网缺失数据补全：针对物联网数据缺失提供因果感知的补全，并生成反事实样本用于异常分析。