结构动力学下的多变量时间序列可条件可识别潜在表示
机器学习
2026-03-25 v1 综合金融
统计金融
摘要
我们提出了可识别变分动态因子模型(iVDFM)，该模型在具有可识别性保证的多变量时间序列上学习潜在因子。通过对驱动动态的创新过程而非潜在状态进行iVAE风格的条件化，我们证明了因子在置换和按分量仿射（或单调可逆）变换下可被识别。线性对角动态保持这种可识别性，并通过伴随矩阵和Krylov方法实现可扩展计算。我们在合成数据上Demonstrate了改进的因子恢复，在合成结构因果模型(SCM)上实现了稳定的干预准确性，并在真实基准数据集上实现了具竞争力的概率预测。
引用
@article{arxiv.2603.22886,
title = {Conditionally Identifiable Latent Representation for Multivariate Time Series with Structural Dynamics},
author = {Minkey Chang and Jae-Young Kim},
journal= {arXiv preprint arXiv:2603.22886},
year = {2026}
}
备注
Accepted paper for 2026 ICLR FINAI workshop