未知非平稳性下的时间解耦表征学习

基于摘要分析。本文研究非平稳时序数据中的无监督因果表征学习，目标是在潜变量之间存在时滞因果影响、且无法观测类别标签或域索引等辅助变量时，从非线性混合观测中恢复潜变量及其关系。作者提出 NCTRL 估计框架，并给出相应的可辨识性结论。 核心机制是利用非平稳条件下具有时滞因果关系的过程所满足的 Markov Assumption。作者称，在一定条件下，可将独立潜在分量恢复至置换与逐分量变换的不确定性范围内；这不等于恢复潜变量的唯一数值表达。相较于依赖已观测辅助变量或简化潜在因果动力学的方法，本文试图仅用测得的序列完成估计，但摘要未展开具体条件、模型结构、损失函数及非平稳性的建模方式。 作者报告，在摘要所述但未具体列明的经验评估中，NCTRL 能可靠识别时滞潜在因果影响，并优于未充分利用非平稳性、无法区分分布偏移的基线。数据集、样本规模、划分协议、指标及提升幅度均未在材料中给出，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其机制可能对应 EEG 中潜在源混合与跨会话分布变化的联合建模问题，可借鉴时序潜变量恢复思路，但需适配通道观测及噪声模型，并核对时滞 Markov 假设是否成立。低信噪比、瞬时源耦合、被试差异和小样本可能破坏可辨识条件或估计稳定性。一个可证伪的小实验是在已知潜在时滞关系的模拟 EEG 混合序列中引入未标注的分布变化，比较 NCTRL 与平稳建模基线的潜变量恢复及关系识别表现；这只能检验受控条件下的机制，不能证明真实 EEG 的因果恢复能力。已有 EEG 相关工作尚未检索确认。