CaRiNG：在非可逆生成过程中学习时序因果表征

识别序列数据中潜在的时间延迟因果过程对于掌握时序动态和进行下游推理至关重要。虽然最近的一些方法可以稳健地识别这些潜在因果变量，但它们依赖于从潜在变量到观测数据的可逆生成过程的严格假设。然而，在包含信息丢失的实际应用中，这些假设通常难以满足。例如，视觉感知过程将3D空间转换为2D图像，或者视觉暂留现象将历史数据融入当前感知。为了应对这一挑战，我们建立了一个可识别性理论，该理论允许在潜在独立分量来自非线性且不可逆的混合时恢复它们。以此理论为基础，我们提出了一种原则性方法CaRiNG，用于学习具有可识别性保证的不可逆生成时序数据的因果表征。具体来说，我们利用时序上下文来恢复丢失的潜在信息，并应用我们理论中的条件来指导训练过程。通过在合成数据集上进行的实验，我们验证了我们的CaRiNG方法即使在生成过程不可逆的情况下也能可靠地识别因果过程。此外，我们证明我们的方法显著提高了实际应用中的时序理解和推理能力。