Towards Identifiability of Hierarchical Temporal Causal Representation Learning
分层时间因果表征学习的可识别性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究时间序列的层级潜在动态与时间依赖，未明确涉及经济因子或处理效应识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
分层时间因果表征学习的可识别性
- 研究问题
- 时间序列中的多层潜在动态难以从单时点观测恢复，如何借助时间上下文识别潜变量联合分布及各层的潜在变量？
- 方法与思路
- 作者基于三个条件独立观测提出 CHiLD 识别框架，先识别多层联合分布，再利用层级稀疏性识别各层变量，并构建变分生成模型。
- 材料陈述的贡献
- 摘要称框架提供分层潜在动态的识别结果，结合上下文编码器与归一化流层级先验，并通过合成和真实数据评估支持理论主张。
- 阅读关注点
- 应核对三个观测的条件独立性如何由时间上下文获得、识别允许何种等价变换，以及层级稀疏性和独立噪声条件的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未完整说明识别条件与等价类，不能据表征恢复结果直接推断干预效应。
原文摘要
Modeling hierarchical latent dynamics behind time series data is critical for capturing temporal dependencies across multiple levels of abstraction in real-world tasks. However, existing temporal causal representation learning methods fail to capture such dynamics, as they fail to recover the joint distribution of hierarchical latent variables from \textit{single-timestep observed variables}. Interestingly, we find that the joint distribution of hierarchical latent variables can be uniquely determined using three conditionally independent observations. Building on this insight, we propose a Causally Hierarchical Latent Dynamic (CHiLD) identification framework. Our approach first employs temporal contextual observed variables to identify the joint distribution of multi-layer latent variables. Sequentially, we exploit the natural sparsity of the hierarchical structure among latent variables to identify latent variables within each layer. Guided by the theoretical results, we develop a time series generative model grounded in variational inference. This model incorporates a contextual encoder to reconstruct multi-layer latent variables and normalize flow-based hierarchical prior networks to impose the independent noise condition of hierarchical latent dynamics. Empirical evaluations on both synthetic and real-world datasets validate our theoretical claims and demonstrate the effectiveness of CHiLD in modeling hierarchical latent dynamics.