ICML 2024 | CaRiNG：在非可逆生成过程中学习时间因果表示

文章预览

点击 名片 关注并星标 #TSer # 扫下方二维码 ，加入时序人学术星球 参与算法讨论，获取前沿资料 （ 21 0+ 篇专栏笔记，已有 210+ 同学加入学习） 在序列数据中识别潜在的时延因果过程对于掌握时间动态和进行下游推理至关重要。本文介绍一篇 ICML 2024 中的相关工作，研究者提出了一种可识别性理论，该理论允许从非线性和不可逆的混合中恢复独立的潜在成分。 基于这一理论，研究者引入了一种名为 CaRiNG 的原则性方法， 能够学习具有可识别性保证的非可逆生成时序数据的因果表示。该方法利用时间上下文来恢复丢失的潜在信息，并应用其理论中的条件来指导训练过程。 对于现实世界的应用，CaRiNG 被部署在交通事故推理任务中，这是一个复杂的交通动态引入大量非可逆性的场景。实验结果表明，该方法在非可逆生成过程中识别因果表示方面显著优 ………………………………