An Interventional Perspective on Identifiability in Gaussian LTI Systems with Independent Component Analysis
借助独立成分分析理解高斯线性时不变系统的干预可识别性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：摘要明确讨论干预设计、因果关系及可识别性，与因果推断方法直接相关。
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…
借助独立成分分析理解高斯线性时不变系统的干预可识别性
- 研究问题
- 如何通过主动设计多环境干预信号识别高斯线性时不变系统参数，并将实验设计与表示学习的可识别性联系起来？
- 方法与思路
- 作者借鉴独立成分分析中的多样性条件研究多环境干预，并用合成数据和模拟物理数据检验理论结论。
- 材料陈述的贡献
- 摘要称适当多样的干预可识别系统参数，并说明隐马尔可夫模型及高斯线性时不变系统满足连续参数版因果 de Finetti 推广。
- 阅读关注点
- 应核对干预对象、环境间参数约束及多样性条件的精确定义，并区分系统参数识别与因果表示识别的结论范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出识别条件和证明，物理数据验证也仅来自模拟。
原文摘要
We investigate the relationship between system identification and intervention design in dynamical systems. While previous research demonstrated how identifiable representation learning methods, such as Independent Component Analysis (ICA), can reveal cause-effect relationships, it relied on a passive perspective without considering how to collect data. Our work shows that in Gaussian Linear Time-Invariant (LTI) systems, the system parameters can be identified by introducing diverse intervention signals in a multi-environment setting. By harnessing appropriate diversity assumptions motivated by the ICA literature, our findings connect experiment design and representational identifiability in dynamical systems. We corroborate our findings on synthetic and (simulated) physical data. Additionally, we show that Hidden Markov Models, in general, and (Gaussian) LTI systems, in particular, fulfil a generalization of the Causal de Finetti theorem with continuous parameters.