部分可观测因果表征学习的稀疏性原则

该研究关注部分可观测条件下的因果表征学习：某些高层因果变量未被测量捕获，且被遮蔽变量的集合随样本变化。作者提出利用稀疏正则化识别因果变量，主要分析线性与分段线性混合函数。以下基于摘要分析。 理论贡献分为三个层次：在线性混合情形，作者给出定理，表明因果变量可识别至置换及逐元素线性变换；在分段线性情形，作者给出引理，表明可识别至线性变换；对于分段线性情形能否进一步达到置换及逐元素线性变换意义下的可识别性，作者提出猜想，而非已证明结论。这些结论不应解读为可唯一恢复全部真实变量或因果图。 作者报告在模拟数据上检验了定理与猜想，并展示方法有效性。摘要未提供具体生成机制、稀疏正则项形式、可识别性所需假设、对照方法及定量指标；实验协议、消融及统计信息尚未验证。模拟结果也不能替代对猜想的证明。 平台推测（待验证）：若 EEG 中存在随样本变化的潜在源缺失或间歇可观测现象，该理论可能为不完整观测下的潜变量学习提供研究假设。可借鉴的是稀疏约束与混合模型的联合建模思路；需改造的是面向时序信号的观测模型，并核对源活动、遮蔽机制与理论假设是否一致。电极缺失不等同于潜在因果变量被遮蔽，低信噪比、相关源、跨被试混合差异及小样本也可能破坏可识别条件。一个可证伪的小实验是在已知潜在源及线性混合的 EEG 风格模拟信号上，控制源遮蔽与噪声，比较有无稀疏正则时、对齐允许的不确定变换后的源恢复误差，再单独测试通道缺失情形，避免混淆两类缺失。已有 EEG 相关工作尚未检索确认。