基于变分自编码器的因果解耦表征学习方法技术

本发明专利技术提供了一种基于变分自编码器的因果解耦表征学习方法，具有这样的特征，包括：将输入图像输入因果解耦表征模型，得到重建图像，因果解耦表征模型包括：编码模块，包括编码器，用于对输入图像进行编码，得到包含独立表征∈<subgt;s</subgt;和其他信息∈<subgt;r</subgt;的外生变量∈；反事实干预模块，包括因果效应矩阵，用于将独立表征∈<subgt;s</subgt;转换为线性因果表征z<subgt;l</subgt;；非线性因果模块，包括神经网络f，用于将线性因果表征z<subgt;l</subgt;转换为非线性因果表征z<subgt;s</subgt;；解码模块，包括解码器，用于对包含非线性因果表征z<subgt;s</subgt;和其他信息∈<subgt;r</subgt;的潜在表征z进行解码，得到重建图像。总之，本方法能够对偏置进行有效处理，实现准确的因果解耦。

【技术实现步骤摘要】

本专利技术涉及一种因果解耦表征学习方法，具体涉及一种基于变分自编码器的因果解耦表征学习方法。

技术介绍

1、因果解耦表征学习causally disentangled representation learning旨在按照人类能够理解的方式从数据中学习具有因果关系的具有明确物理含义的表征。当前因果解耦表征学习方法基于弱监督的方式，主要分为两类：基于按照真实因果图生成的反事实图像的弱监督方式和基于图像级标签和真实因果图的弱监督方式。然而在现实生活中，第一种监督方式中很多场景下真实的反事实图像是无法获得的，因此主要关注第二种弱监督方式。

2、基于图像级标签和真实因果图的弱监督方式通过设计复杂的模型，使得具有明确物理含义的表征之间具有输入数据中蕴含的因果关系，核心是学习表征之间的因果效应，即一个表征由于因果关系对另一个表征产生的影响。当前基于图像级标签和真实因果图的弱监督因果解耦表征学习方法有causalgan、causalvae和dear。causalgan基于生成对抗网络即gan中生成器-鉴别器结构，将需要解耦出的物理表征建模为因果图，使用生成器本文档来自技高网...

【技术保护点】

1.一种基于变分自编码器的因果解耦表征学习方法，用于根据输入图像得到对应的重建图像，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

3.根据权利要求2所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

4.根据权利要求3所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

5.根据权利要求1所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

6.根据权利要求1所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

7.根据权利要求1所...

【技术特征摘要】

1.一种基于变分自编码器的因果解耦表征学习方法，用于根据输入图像得到对应的重建图像，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

3.根据权利要求2所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

4.根据权利要求3所述的基于变分自编码器的因果解耦表征学习方法，其特征在于：

5.根据权利要求1所述的基于变分自编码器的因果解耦表征学习方法...

【专利技术属性】
技术研发人员：李秀田，冯瑞，
申请(专利权)人：复旦大学，
类型：发明
国别省市：