关于时序因果表征的识别：包含瞬时依赖关系
机器学习
2026-01-21 v4 机器学习
摘要
时序因果表征学习旨在从时间序列观测中识别潜在的因果过程，但大多数方法都要求潜在因果过程不存在瞬时关系。尽管一些近期方法在瞬时因果关系情况下实现了可识别性，但它们需要对潜在变量进行干预或对观测进行分组，这在实际场景中通常难以获得。在填补这一空白处，我们提出了一个用于识别瞬时潜在动态的IDentification框架(IDOL)，通过施加稀疏影响约束，使潜在因果过程具有稀疏的时延迟和瞬时关系。具体而言，我们通过利用时间序列数据的上下文信息，在稀疏影响约束和充分变异性基础上，建立了潜在因果过程的可识别性结果。基于这些理论，我们引入时序变分推断架构来估计潜在变量，并采用梯度稀疏正则化来识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法能够识别潜在的因果过程。此外，在多个具有瞬时依赖关系的人体运动预测基准数据集上的评估表明，我们方法在实际场景中的有效性。
引用
@article{arxiv.2405.15325,
title = {On the Identification of Temporally Causal Representation with Instantaneous Dependence},
author = {Zijian Li and Yifan Shen and Kaitao Zheng and Ruichu Cai and Xiangchen Song and Mingming Gong and Guangyi Chen and Kun Zhang},
journal= {arXiv preprint arXiv:2405.15325},
year = {2026}
}