通过非平稳性学习具有即时关系和滞后关系的因果表示
Causal Representation Learning with Instantaneous and Lagged Relations via Nonstationarity
精选理由
结合非平稳性识别时序潜变量及即时、滞后因果结构，提升预测建模能力
AI 摘要
arXiv:2610.03452v1 公告类型：新 摘要：面向时间序列数据的因果表示学习旨在从观测数据中识别潜在状态及其因果关系。在这一设定下，一个重要挑战是：在考虑时间序列数据非平稳性的同时，既要建模跨观测区间的滞后因果关系，也要建模在一个区间内表现为即时关系的更快因果效应。然而，能够联合处理这些因果关系与非平稳性的方法仍然十分有限。为弥补这一空白，我们利用一个与转移噪声分布变化相关的观测辅助变量（例如时间或条件标签），建立了识别潜在状态的充分条件，使其可确定到分量置换和逐分量可逆变换的范围内；同时，也能将其即时和滞后因果结构识别到相同的置换范围内。在此基础上，我们提出 iCReN，这是一个利用离散或连续辅助变量进行对比学习的框架，用于学习潜在表示并估计其即时和滞后因果结构。实验表明，该方法能够在合成数据上准确恢复潜在状态以及即时和滞后因果结构，并且在真实世界数据上，所学习的表示对下游预测具有实用价值。