研究者提出iCReN因果表示学习框架

Tatsuya Yamada、Hiroshi Morioka与Yoshinobu Kawahara发表论文，提出因果表示学习框架iCReN，用对比学习同时学习潜在表征并估计其瞬时与滞后因果结构。 该框架借助与转移噪声分布变化相关的辅助变量（如时间或条件标签）实现上述目标，并给出了潜在状态在分量置换和逐分量可逆变换下可识别的充分条件。 据论文，iCReN在合成数据上能准确恢复潜在状态及两类因果结构，在真实数据上验证了所学表征对下游预测的有效性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。