关于使用内部辅助变量的因果表示学习

基于摘要分析。本文研究因果表示学习中可观测源同时参与混合过程时的可辨识性问题，提出将这些源视为内部辅助变量的框架，并利用已知因果图选择条件源，以保留未观测源的细粒度因子分解。 常见方法借助混合过程之外的辅助变量建立可辨识性；本文指出，当辅助信息本身是混合输入时，其与其他源的纠缠会使标准体积变化证明不再适用。作者给出的理论结论具有明确前提：将全部已观测内部源作为条件变量，并满足体积保持混合假设、适当的变化性条件及学习模型的额外对齐条件。此时，未观测源子空间可辨识至 Independent Subspace Analysis（ISA）式等价类，即允许条件独立子空间之间置换，以及各子空间内部的可逆变换；这不等于恢复唯一的逐维潜变量。 实现方面，作者以稳定诱导畸变的编码器近似体积保持约束，并提出基于已知因果图的条件源选择方案。作者报告，在将内部源误作外部条件变量可能引发跨因子信息泄漏的实验设置中，该方法相较代表性辅助变量基线改善了源恢复。摘要未提供数据集、恢复指标、具体基线或数值，实验协议、消融及统计信息尚未验证；上述信息泄漏指原文描述的因子纠缠现象，不能据此认定存在训练测试数据泄漏。 平台推测（待验证）：若 EEG 生成模型中确有可观测且参与混合的源，并有可信因果图，该框架可能帮助检验条件化是否破坏潜在因子的分离。可复用的是条件源建模与选择思路，需改造和核对的是 EEG 混合假设、编码器约束及因果图获取方式；低信噪比、通道欠采样、小数据和跨被试混合变化均可能使理论条件不成立。一个可证伪的小实验是在已知源与因果图的模拟 EEG 混合中，对照内部辅助建模与外部条件化基线，并逐步偏离体积保持条件，观察源恢复与跨因子耦合的变化。已有 EEG 相关工作尚未检索确认。