迈向层次化时序因果表示学习的可辨识性
机器学习
2025-10-22 v1 统计方法学
摘要
对时间序列数据背后的层次化潜在动态进行建模，对于捕捉现实世界任务中多个抽象层次上的时间依赖性至关重要。然而，现有的时序因果表示学习方法无法捕捉这种动态，因为它们无法从单时间步观测变量中恢复层次化潜在变量的联合分布。有趣的是，我们发现层次化潜在变量的联合分布可以使用三个条件独立的观测值唯一确定。基于这一见解，我们提出了一个因果层次化潜在动态（CHiLD）辨识框架。我们的方法首先利用时序上下文观测变量来识别多层潜在变量的联合分布。接着，我们利用潜在变量之间层次化结构的自然稀疏性来识别每一层内的潜在变量。在理论结果的指导下，我们开发了一个基于变分推断的时间序列生成模型。该模型包含一个上下文编码器来重建多层潜在变量，以及归一化流基的层次化先验网络来施加层次化潜在动态的独立噪声条件。在合成和真实数据集上的实证评估验证了我们的理论主张，并展示了CHiLD在建模层次化潜在动态方面的有效性。
引用
@article{arxiv.2510.18310,
title = {Towards Identifiability of Hierarchical Temporal Causal Representation Learning},
author = {Zijian Li and Minghao Fu and Junxian Huang and Yifan Shen and Ruichu Cai and Yuewen Sun and Guangyi Chen and Kun Zhang},
journal= {arXiv preprint arXiv:2510.18310},
year = {2025}
}