跳转至

Identification of Nonlinear and Dependent Latent Factor Structure through Clique Search

作者: Dale S. Kim, Qing Zhou
主题: 非参数 / 半参数
相关性: 6/10
链接: https://arxiv.org/abs/2609.32926


一、领域脉络与小综述

这个方向是什么

潜变量因子模型(latent factor model)假设高维观测向量 X ∈ R^p 由少量低维潜变量 Z ∈ R^d(d < p)通过某种映射生成。该方向的核心统计问题是结构学习:在仅观测 X 的条件下,同时估计 (1) 潜因子个数 d,和 (2) 映射 g 的支撑集——即哪些观测变量受哪些潜变量影响(Jacobian 支撑 A_0)。这个问题是探索性因子分析(EFA)、独立成分分析(ICA)、因果表示学习(causal representation learning)的共同基础。传统方法(如平行分析、Kaiser准则)通常只估计因子个数,而映射结构往往依赖旋转技术或稀疏惩罚,且这些方法大多局限于线性映射 + 独立潜因子 + 高斯/椭圆分布的设定。本文要解决的是:在非线性映射、潜因子可相关、无干预/无辅助变量的纯观测设定下,如何从分布中识别出因子个数和映射支撑集。

发展脉络

  1. 线性因子分析的奠基:从 Spearman 的单因子模型到 Thurstone 的多因子分析,经典方法依赖协方差矩阵的谱分解。因子个数估计长期依赖启发式准则(Kaiser 1960; Horn 1965; Cattell 1966; Guttman 1954),且映射结构(因子载荷的稀疏模式)需要旋转或主观判断。Bartlett (1950) 提出似然比检验,但要求已知因子个数。这一阶段的核心瓶颈是:因子旋转不变性导致载荷矩阵不可识别,结构学习必须附加额外约束。

  2. 稀疏因子模型与正则化方法:Carvalho et al. (2008) 将稀疏先验引入因子载荷,用贝叶斯方法同时做因子个数选择和载荷稀疏化。Bing et al. (2017) 提出 LOVE 算法,利用"纯变量"(pure variable)概念在稀疏线性模型下实现载荷矩阵的逐列识别。这类方法仍限于线性,但确立了"结构可识别性需要纯变量/唯一子女条件"这一关键思想——即每个因子至少需要一个只受该因子影响的观测变量。

  3. 图论视角的引入:Kim and Zhou (2023) 首次将结构学习转化为相关阈值图上的团搜索问题。他们证明:在线性高斯因子模型下,若每个因子有唯一子女,则因子结构对应于相关阈值图中的"独立极大团"(independent maximal clique)。这一工作的突破在于用图论语言统一了因子个数估计和结构学习,且算法复杂度远低于贝叶斯采样。但其局限是依赖 Pearson 相关,因此只适用于线性映射。

  4. 非线性 ICA 与可识别性突破:Hyvärinen 等人(2016, 2019)证明,非线性 ICA 在利用时间结构(TCL)或辅助变量(iVAE)时是可识别的。Khemakhem et al. (2020) 将这一框架统一为"条件于辅助变量的潜变量可识别"。但这些方法要求辅助变量或时间结构,且不直接给出映射支撑集。Zheng et al. (2022, 2023) 进一步在稀疏性假设下放松了条件,但仍需要结构性假设。

  5. 因果表示学习:Schölkopf & von Kügelgen (2022)、Zhang et al. (2024)、Ahuja et al. (2023) 将潜变量模型置于因果框架下,利用干预数据或分布变化来识别潜变量及其因果图。但这些方法需要多环境/干预数据,纯观测单分布设定下的识别仍开放。

子线索聚类

  • 线索 A:线性因子模型的结构学习(Kaiser 1960; Horn 1965; Cattell 1966; Guttman 1954; Bartlett 1950; Preacher et al. 2013)——用协方差谱或似然方法估计因子个数,映射结构靠旋转/阈值化。瓶颈:非线性失效、旋转不变性。
  • 线索 B:稀疏/正则化因子模型(Carvalho et al. 2008; Hirose & Yamamoto 2014; Trendafilov et al. 2017; Bing et al. 2017)——用稀疏惩罚或贝叶斯先验同时做因子选择和载荷稀疏化。瓶颈:线性设定、计算复杂、需要调参。
  • 线索 C:图论/团搜索方法(Kim & Zhou 2023; Kim et al. 2025; Markham & Grosse-Wentrup 2020; Jiang & Aragam 2023)——将结构学习转化为图上的团/覆盖问题。这是本文直接继承的线索。Markham & Grosse-Wentrup (2020) 用 clique cover 处理独立因子;Jiang & Aragam (2023) 用干预数据下的团结构;Kim & Zhou (2023) 用相关阈值图处理线性相关因子。
  • 线索 D:非线性 ICA 与可识别性理论(Hyvärinen & Morioka 2016; Khemakhem et al. 2020; Zheng et al. 2022; Zheng & Zhang 2023)——证明在辅助变量/时间结构/稀疏性条件下非线性潜变量模型可识别。本文的独特定位是:不需要辅助变量,仅靠成对依赖度量+团搜索。

这个方向在追问的核心问题

  1. 可识别性:在什么条件下,观测分布 P_X 能唯一决定潜因子个数 d 和映射支撑 A_0?(这是所有潜变量模型的第一性问题)
  2. 估计的一致性:给定 n 个样本,如何以可证明的速率恢复结构?高维(p 随 n 增长)下是否仍然一致?
  3. 计算可行性:结构学习算法能否避免指数级团枚举?能否扩展到数千变量?
  4. 鲁棒性:当假设(如唯一子女、阈值分离)被违反时,方法会如何退化?

⚠️ 作者的 framing(这是作者的说法)

作者把缺口 frame 成:"现有方法要么限于线性映射(Kim & Zhou 2023 的 CT 算法),要么需要辅助变量或干预数据(非线性 ICA 系列),要么需要已知因子个数(传统 EFA)。本文首次在纯观测、非线性、潜因子可相关的设定下,用一般成对依赖度量(不限于 Pearson 相关)建立结构可识别性,并提出计算高效的 DT 算法。"(见引言第 1-2 段:"Unlike prior work restricted to linear correlations, we establish identifiability and consistency for a general class of dependence measures under nonlinear factor models.")

被淡化/回避的竞争路线: - 非线性 ICA 方法(Hyvärinen 2016; Khemakhem 2020)被他归入"需要辅助变量"一类,但 Zheng & Zhang (2023) 的稀疏性方法其实不需要辅助变量,本文没有详细对比。 - 贝叶斯非参数方法(如 Indian Buffet Process)可以同时估计因子数和结构,但本文未提及。 - 深度生成模型(如 β-VAE)在实践中常被用于潜变量发现,但缺乏可识别性保证,本文未讨论。

什么明显该被引 / 该存在、却没出现在 intro 里?

  • 距离相关(distance correlation)的估计理论:本文用距离相关作为依赖度量,但 Székely & Rizzo (2009) 的估计量是 V-统计量而非 U-统计量,其集中不等式与 Kendall's tau 不同。本文的定理 2 只给了 Kendall's tau 的具体界,对距离相关只给了抽象假设(Assumption 2),没有讨论距离相关估计的偏差(bias)问题——这在 p 大时可能很严重。
  • 条件独立检验的文献:本文的忠实性假设(依赖度量非零 ⟺ 共享潜因子)本质上是一个条件独立图假设,但引言没有引用条件独立图模型(如 Spirtes et al. 2000)或非参数独立性检验的文献。
  • 随机图上的团结构恢复:本文的独立极大团恢复问题与随机图模型中的 planted clique 问题有联系,但未引用相关理论。

张力

未见明显对立引用。但有一个值得注意的对比:Markham & Grosse-Wentrup (2020) 的 clique cover 方法假设潜因子独立,而本文允许潜因子相关。这两者在图论结构上导致不同的结果——独立因子时,不共享因子的观测变量完全独立,因此相关阈值图是"干净的";相关因子时,不共享因子的观测变量也可能有非零依赖(通过因子相关传递),这使得阈值分离假设(Assumption 2)变得关键。本文的定理 1 实际上隐含了一个强假设:直接共享因子产生的依赖 > 间接通过因子相关产生的依赖。这个假设在因子高度相关时可能失效,作者在模拟中只测试了 φ ≤ 0.75 的情形。


二、最核心、最简单的例子 / 数学问题

第一步:符号、模型、可观测数据

记号 含义 类型
X = (X_1, …, X_p) ∈ R^p 观测变量向量 可观测随机变量
Z = (Z_1, …, Z_d) ∈ R^d 潜变量向量,d < p 不可观测随机变量
ε = (ε_1, …, ε_p) 独立误差,Var(ε) = Ω 对角 不可观测随机变量
g = (g_1, …, g_p) 非线性映射,g_i 是 (Z, ε_i) 的函数 未知函数(待估计)
Φ = Var(Z) 潜变量协方差矩阵(允许非对角) 未知参数
A_0 = {(i,j) : ∃z, ∂g_i(z)/∂z_j ≠ 0} Jacobian 支撑集——本文的 estimand 目标参数
G_0(X, E_0) 父共享图:E_0 = {(i,j) : pa(X_i) ∩ pa(X_j) ≠ ∅} 由图诱导
ρ(X_i, X_j) 成对依赖度量(如距离相关、HSIC、Kendall's tau) 工具
r_ij ρ 的样本估计 统计量
τ 阈值参数 算法超参数

模型:X = g(Z, ε),其中 g_i 对 Z 有连续偏导,ε_i 相互独立且与 Z 独立。注意:没有假设 g 线性,没有假设 Z 独立,没有假设高斯性。这是与经典因子分析的关键区别。

可观测数据:X 的 n 个 i.i.d. 样本(或弱依赖样本),记为 X^(1), …, X^(n)。Z 和 ε 永不可观测。

第二步:最小内核

最简特例:d = 1,单个潜因子。

假设只有一个潜因子 Z_1,p 个观测变量 X_i = g_i(Z_1) + ε_i,且每个 g_i 非线性、单调。此时:

  • 所有观测变量共享同一个父 Z_1,因此父共享图 G_0 是完全图(任意两个观测变量都有边)。
  • 反过来,如果观测到 X 的成对依赖度量全部非零,能否推出 d = 1?不能。因为两个独立的潜因子 Z_1, Z_2 各自影响一组观测变量时,跨组的观测变量也可能通过 Z_1 与 Z_2 的相关产生依赖。
  • 所以需要"团"的结构:在相关阈值图上,每个潜因子 Z_j 的子女集合 ch(Z_j) 形成一个团(这些观测变量两两共享 Z_j)。但一个团可能包含多个潜因子的子女(如果这些潜因子相关,它们的子女之间也有边)。
  • 关键区分:独立极大团(independent maximal clique)——一个团 C 是极大的,且 C 中每个顶点都有一个"私有邻居"(只与 C 中顶点相连,不与 C 外的顶点相连)。这个私有邻居就是唯一子女(unique child),它保证了该团不会被其他团的并集覆盖。

核心数学问题:

给定观测分布 P_X,能否唯一恢复 A_0(即每个潜变量的子女集合)?

为什么难: 1. 非线性:Pearson 相关为零 ≠ 独立。两个观测变量可能通过非线性方式共享潜因子,但线性相关系数为零。因此必须用一般依赖度量(距离相关、HSIC)。 2. 潜因子相关:如果 Z_1 与 Z_2 相关,那么 Z_1 的子女和 Z_2 的子女之间也会有依赖,即使它们不共享潜因子。这会在父共享图中产生"伪边"。 3. 不可观测的 Z:无法直接检验"条件于 Z_j,X_i 是否独立于其他 X"。

本文的关键思想(用最简例子说明):

假设 d = 2,Z_1, Z_2 相关(相关系数 φ),每个因子有 3 个子女:

  • ch(Z_1) = {X_1, X_2, X_3},ch(Z_2) = {X_4, X_5, X_6}
  • 观测变量 X_1 是 Z_1 的唯一子女(即 X_1 只受 Z_1 影响,不受 Z_2 影响)
  • 那么 X_1 与 X_4 的依赖完全来自 Z_1 与 Z_2 的相关,是"间接依赖"
  • X_1 与 X_2 的依赖来自共享 Z_1,是"直接依赖"
  • 如果依赖度量 ρ 满足:直接依赖的强度 > 间接依赖的强度(即存在阈值 τ 能分开两者),那么阈值图 G(X, E_0) 中,{X_1, X_2, X_3} 形成一个团,且 X_1 的邻居集合恰好是 {X_2, X_3}(因为 X_1 与 X_4, X_5, X_6 的依赖低于阈值,被切掉)。
  • 然后检查 X_1 的邻居 {X_2, X_3} 是否构成团:是的,所以 {X_1, X_2, X_3} 是一个独立极大团,对应 Z_1 的子女集合。

这个例子揭示了论文的证明骨架: 1. 引理 1(结构可识别性):在唯一子女条件下,A_0 与父共享图的独立极大团一一对应。 2. 引理 2(统计一致性):如果依赖度量估计 r_ij 一致收敛于 ρ_ij,且阈值 τ 落在分离区间内,则估计图以高概率等于真实图。 3. 定理 1(高维一致性):p 可以随 n 增长,只要 p = o(exp(n γ²/16))(对 Kendall's tau 的具体界)。

这个最小内核的"数学动作":把潜变量结构学习问题约简为图上的团搜索问题。一旦建立了"独立极大团 ⟺ 潜因子子女集合"的对应,剩下的就是标准的统计图模型恢复问题(阈值化 + 团枚举)。论文的贡献在于证明了在非线性、依赖潜因子下,这个约简仍然有效——条件是依赖度量满足"忠实性"(ρ 非零 ⟺ 共享父)和"阈值分离"(直接依赖 > 间接依赖)。


三、这篇论文做了什么

三句话

  1. 研究了什么问题:在非线性映射、潜因子可相关、无干预/无辅助变量的纯观测设定下,如何从观测数据中同时估计潜因子个数 d 和 Jacobian 支撑集 A_0(即每个潜变量影响哪些观测变量)。
  2. 核心方法:提出依赖阈值化(Dependence Thresholding, DT)算法——用一般成对依赖度量(如距离相关、HSIC、Kendall's tau)构建观测变量的父共享图,通过阈值化切掉弱依赖边,再搜索独立极大团来恢复每个潜因子的子女集合;随后用结构约束的神经网络(masking layer)估计非线性映射。
  3. 主要结论:在唯一子女条件(每个潜因子至少有一个只受它影响的观测变量)和阈值分离条件(直接共享因子产生的依赖 > 间接通过因子相关产生的依赖)下,A_0 可由观测分布唯一识别;DT 算法在有限样本下有显式误差界,在高维设定(p 随 n 增长)下一致;模拟实验显示在非线性、相关因子、高维情形下均能高精度恢复结构。

关键设定与假设

  • 模型:X = g(Z, ε),g_i 对 Z 有连续一阶偏导(定义 1 的 Jacobian 支撑 A_0)。没有线性假设,没有高斯假设,没有潜因子独立假设。
  • 假设 1(依赖度量忠实性):ρ(X_i, X_j) = 0 ⟺ X_i ⊥ X_j。这排除了"隐藏相关"(如 X_i 与 X_j 通过未观测的公共原因产生依赖但度量恰好为零)。距离相关和 HSIC 在分布连续且支撑为紧集时满足此性质。
  • 假设 2(阈值分离):存在 τ_0 > 0 使得所有共享父的观测变量对的 |ρ_ij| > τ_0,所有不共享父的观测变量对的 |ρ_ij| < τ_0。这是本文最关键的假设——它要求"直接依赖"与"间接依赖"(通过相关因子传递)在依赖度量值上有 gap。这个假设在因子相关度 φ 增大时更难满足。
  • 假设 3(唯一子女条件):每个潜因子 Z_j 至少有一个子女 X_i 使得 pa(X_i) = {Z_j}(即 X_i 只受 Z_j 影响)。这是从 Bing et al. (2017) 和 Kim & Zhou (2023) 继承的条件,用于保证独立极大团的存在性和唯一性。
  • 相比 Kim & Zhou (2023) 的放宽:(1) 从 Pearson 相关推广到一般依赖度量(非线性映射下 Pearson 相关可能失效);(2) 从独立潜因子推广到相关潜因子(但需要阈值分离假设来控制间接依赖);(3) 从线性映射推广到非线性映射(Jacobian 支撑代替因子载荷矩阵)。

主要结果

  • 定理 1(结构可识别性):在假设 1-3 下,A_0 与父共享图 G_0 的独立极大团集合一一对应。即:{ch(Z_j) : j ∈ [d]} = {独立极大团 of G_0}。这个定理是纯图论+概率论的结果,不涉及估计。
  • 定理 2(有限样本误差界):对 Kendall's tau 作为依赖度量,若真实 ρ_ij 满足阈值分离(gap = γ > 0),则 P(Ê(τ_0) ≠ E_0) ≤ C p² exp(−n γ² / 8), 其中 C 是绝对常数。证明基于 U-统计量的 Hoeffding 不等式(Kendall's tau 是二阶 U-统计量,核有界于 [-1,1])。
  • 定理 3(高维一致性):若 p = p_n = o(exp(n γ² / 16)),则 P(Â = A_0) → 1。注意这个速率允许 p 指数增长,但指数速率由 γ² 控制——γ 越小,允许的 p 增长越慢。
  • 推论(因子个数估计):d̂ = 独立极大团的数量,且 P(d̂ = d) → 1。

证明路线

  1. 第一步(确定性对应):证明映射 ψ: E_0 ↦ A_0 是良定义的。关键引理:如果 X_i 是 Z_j 的唯一子女,那么 X_i 在 G_0 中的邻居集合恰好是 ch(Z_j) \ {X_i}(即与 X_i 共享父的所有其他观测变量)。这个引理用到了假设 1(依赖度量忠实性)和假设 3(唯一子女)。
  2. 第二步(团的唯一性):证明每个独立极大团 C 恰好对应一个潜因子的子女集合。这里需要排除"伪团"——即由多个相关因子的子女混合而成的团。唯一子女条件保证每个团有一个顶点(唯一子女)只属于该团,从而团是独立的。
  3. 第三步(统计控制):用 U-统计量的集中不等式控制 |r_ij − ρ_ij| 的均匀偏差。对 Kendall's tau,Hoeffding 界给出 P(|r_ij − ρ_ij| > γ) ≤ 2 exp(−n γ² / 8)。然后对 p² 对做并集界,得到定理 2。
  4. 第四步(高维扩展):将 p 视为 n 的函数,要求 p² exp(−n γ² / 8) → 0,即 p = o(exp(n γ² / 16))。

技术技巧

  • U-统计量集中不等式:Kendall's tau 是二阶 U-统计量,其 Hoeffding 界是显式的,不需要渐近近似。这是定理 2 能给出有限样本界的关键。
  • 独立极大团的检测:算法上,对每个顶点 i,检查其邻居集合 N(i) 是否构成团。若是,则 {i} ∪ N(i) 是一个候选独立极大团。计算复杂度 O(k² p),其中 k 是最大团大小。这避免了枚举所有团(指数级)。
  • 掩码层神经网络:在结构估计后,用带掩码的神经网络估计非线性映射 g。掩码强制 Jacobian 支撑,即第 i 个输出只依赖于其估计的父变量集合。这是将结构学习与函数估计解耦的实用技巧。
  • 随机 EM + MALA:潜变量 Z 不可观测,用随机 EM 框架,E 步用 MALA 从后验 p(Z|X; θ) 采样,M 步用 Adam 优化神经网络参数。这是计算上的工程贡献,但理论性质(如收敛性)没有分析。

真实例子与应用

论文的实证部分为模拟实验(第 6 节),无真实数据应用。

  • 实验 1(神经网络性能):三种潜因子结构——(a) V 型(共同后果,d=3),(b) 链式中介(d=4),(c) 双中介(d=4)。每个因子 5 个子女,映射函数从 10 个非线性函数中循环选取(sin, erf, log, tanh 等)。n = 5000(4000 训练,1000 验证),p = 15 或 20。结果:Oracle 选择(用真实结构)下 F1 ≈ 0.988–0.994,HD < 0.5;似然选择下 F1 ≈ 0.952–0.964,HD ≈ 1.4–2.1(HD 最大 45)。因子个数估计 d̂ 平均偏差 ≤ 0.3。
  • 实验 2(高维鲁棒性):n ∈ {250, 500, 1000},p = 1.5n,d = 0.1n。两个维度:(1) 改变潜因子相关度 φ ∈ {0, 0.25, 0.75};(2) 改变违反唯一子女条件的因子比例 ∈ {0, 0.2, 0.4}。结果:φ 增大时性能几乎不降(F1 从 0.99 降到 0.97 仅在小样本 n=250 时);违反 UCC 时性能明显下降(非 UCC = 0.4 时 F1 ≈ 0.75,d̂ 约为真实值的 60%)。这验证了唯一子女条件的关键性。

🔎 结论是否比证明窄

  • 定理 1 的证明依赖"忠实性"假设(ρ 非零 ⟺ 共享父),但论文没有给出任何可验证的条件来保证这个假设成立。在非线性映射下,即使两个观测变量共享一个潜因子,它们的依赖度量也可能很小(例如 g_i 和 g_j 对 Z 的依赖方向正交)。论文在模拟中使用了"循环使用 10 个非线性函数"的设计,这实际上保证了每个共享父的变量对都有足够的依赖,但论文没有讨论如果某些共享父的变量对依赖很弱会发生什么。
  • 阈值分离假设(假设 2)没有构造性验证。论文没有给出如何从数据中估计 γ 或选择 τ 的实际指导。模拟中使用的是 Oracle 阈值(已知真实结构)或验证集似然,但验证集似然需要先估计模型,计算量大。
  • 定理 2 的速率 p = o(exp(n γ²/16)) 依赖 γ 为常数。但 γ 本身可能随 p 变化(例如当因子数 d 随 p 增长时,间接依赖路径增多,γ 可能缩小)。论文没有讨论 d 随 p 增长的情形。
  • 一致性的证明只覆盖了 E_0 的恢复,没有覆盖非线性映射 g 的估计误差。第 5.2 节声称"如果估计和模型选择方法一致,则最终模型一致",但没有给出 g 的收敛速率。
  • 模拟中"似然选择"的性能(F1 ≈ 0.95)明显低于 Oracle(F1 ≈ 0.99),但论文没有分析选择不一致的来源。这可能是因为验证集似然对过度复杂的结构惩罚不足。

四、开放问题

  1. 阈值 τ 的自适应选择。论文的定理 2 假设存在一个分离阈值 τ_0,但实际中如何从数据中选择 τ?论文使用了验证集似然,但这种方法需要先估计每个候选结构下的模型,计算成本高。是否存在基于排列检验或稳定性选择的阈值选择方法?(扎根于第 5 节算法描述:"A grid of 50 uniformly spaced values in the interval [0,1] was used as the thresholds for τ",以及第 6.1 节对两种选择策略的比较。)

  2. 唯一子女条件的放松。模拟显示违反 UCC 时性能显著下降(F1 从 0.99 降到 0.75)。能否在部分因子没有唯一子女时仍保证部分恢复?例如,能否给出可识别性的充分必要条件,使得每个因子至少需要多少个唯一子女?(扎根于第 6.2 节:"For violations of the UCC, performance degraded as the proportion of non-unique-child factors increased"。)

  3. 依赖度量的选择与理论保证。论文的定理 2 只对 Kendall's tau 给出了显式界。距离相关(distance correlation)和 HSIC 的估计量是 V-统计量,其集中不等式与 U-统计量不同,且在高维时可能有偏差。不同依赖度量在有限样本下的表现差异如何?(扎根于第 4.1 节:"This motivates the use of pairwise dependence measures to determine if an edge in the parent-sharing graph should be present or not.")

  4. 潜因子相关度 φ 的上界。模拟中 φ ≤ 0.75 时性能良好,但 φ → 1 时间接依赖会接近直接依赖,阈值分离必然失败。能否给出 φ 的显式上界,使得可识别性仍然成立?(扎根于第 6.2 节对 φ 的实验设计。)

  5. 非线性映射 g 的估计误差与结构估计的交互。论文将结构学习和函数估计解耦(先估计结构,再估计函数),但没有分析结构估计误差对函数估计的影响。是否存在联合估计方法能利用函数估计的残差来改进结构估计?(扎根于第 5.2 节:"If the estimation and model selection pair of methods are consistent, then the resulting model selected by the DT algorithm will also be consistent"——这个论断没有给出 g 的收敛速率。)

  6. 与因果表示学习的连接。论文的 Jacobian 支撑 A_0 实际上定义了潜变量到观测变量的测量模型(measurement model)。在因果表示学习中,进一步的问题是潜变量之间的因果结构。本文的框架能否扩展到学习潜变量之间的有向图?(扎根于引言第 1 段对 causal representation learning 的引用:"From the perspective of causal representation learning (Schölkopf and von Kügelgen 2022; Zhang et al. 2024; Ahuja et al. 2023), the problem of learning the dimensionality of latent variables is of fundamental importance"。)

提醒:要确认上述某条是否是真 gap,建议去读同一子领域(非线性潜变量结构学习、因果表示学习、图上的团结构恢复)近期约 5 篇论文的引言——如果多篇都指向同一个未解决问题,那是共识性 gap;如果各篇的假设条件互相打架(例如有的允许相关因子、有的要求独立),那本身就是值得梳理的机会。


Maintained by 陈星宇 · Homepage · Source on GitHub

评论