arXiv · ML· Jingyuan Chen, Kangrui Ruan, Junzhe Zhang·· 24 天前AI 评分27
CauVaDE:解决图像生成中未观测混杂因子的因果变分模型
A Causal Bootstrap for Diverse Image Generation under Unobserved Confounding
AI 导读
论文提出因果变分深度嵌入模型CauVaDE,将未观测混杂因子坍缩为离散潜变量,近似观测与干预分布。 该模型引入因果引导机制,通过调节混杂因子熵强度生成多样化因果解释及干预图像分布。 此方法解决了图像生成领域因结构假设过强导致的干预分布不可辨识问题。
来源:arXiv · ML · arxiv.org