多滞后依赖关系的准则切换模型可辨识性研究

准辨识性是深层潜变量模型可解释性的核心，确保参数化由数据生成分布唯一确定。然而，对于深层准则切换时间序列，这一问题仍未得到充分探索。我们发展了一套用于多滞后准则切换模型（RSMs）的一般理论框架，涵盖马尔可夫切换模型（MSMs）和切换动力系统（SDSs）。对于MSMs，我们将模型表述为时序结构化有限混合模型，并在非线性-高斯 setting下 证明了准则数量和多滞后转换的准辨识性。对于SDSs，我们通过时序结构建立了潜变量的准辨识性（最多可变换和比例），从而推导出准则依赖潜在因果图准辨识性条件（最多可变换和节点排列）。我们的结果在完全无监督setting下成立，通过可通过神经网络设计实现的架构和噪声假设。我们补充了理论，通过满足假设条件的灵活变分估计器进行验证，并在合成基准测试上验证。对于来自神经科学、金融和气候等领域的真实数据集，准辨识性导致更可信的可解释性分析，这对于科学发现至关重要。