CaRiNG：非可逆生成过程下的时序因果表征学习

基于摘要分析。本文研究如何在潜变量到观测数据的生成过程非可逆、存在信息损失时，识别具有时间滞后的潜在因果过程。作者提出允许非线性、非可逆混合的可识别性理论，并据此构建 CaRiNG，利用时间上下文恢复丢失的潜在信息，以理论条件指导表征学习。 原论文的主要对象是一般序列数据中的潜在因果表征，而非 EEG 或 BCI。其出发点是：依赖可逆生成映射的既有方法难以覆盖现实中的信息损失，例如三维场景投影为二维图像，以及历史信息进入当前感知的现象。作者声称，在所提出理论的条件下仍可恢复独立潜在分量；具体假设、可识别性范围、时间上下文长度及训练目标需查阅全文确认，不能将其理解为任意非可逆过程均可恢复。 作者报告，在合成数据的非可逆生成实验中，CaRiNG 能可靠识别因果过程，并在实际应用中改善时序理解与推理。摘要未提供数据集名称、划分、对照方法或量化指标，实际应用的具体任务、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 的当前观测丢失了可由邻近时间片补充的潜在状态信息，利用时间上下文的机制可能有助于时序表征；这是假设，不是本文已验证的 BCI 结论。可考虑复用上下文建模与理论约束思路，但需适配多通道观测、采样尺度和被试差异。该路径依赖潜在动态及观测过程满足理论条件，监督需求和训练规模尚不明确；低信噪比、通道缺失、小数据及跨被试非平稳性都可能使恢复失败。一个可证伪的小实验是在已知潜在动态的模拟 EEG 中设置可控的非可逆观测，对照有无时间上下文时的潜变量恢复表现，并改变噪声和通道缺失程度；这仅检验机制，不等同于真实 EEG 因果识别。已有 EEG 相关工作尚未检索确认。