TRACE：因果表征学习中连续机制演化的轨迹恢复

基于摘要分析。本文研究时序因果表征学习中的连续机制演化：不同于机制在离散域之间瞬时切换的设定，作者将过渡机制表示为有限个原子机制的凸组合，并用随时间变化的混合系数描述演化轨迹。其贡献包括潜在因果变量与连续混合轨迹的联合可辨识性理论，以及用于恢复机制轨迹的 TRACE 框架。 TRACE 采用 Mixture-of-Experts，各专家在训练期间学习一个原子机制，测试时恢复机制混合轨迹，包括训练中未观察到的中间机制状态。该建模依赖有限原子机制及其凸组合能够表达实际变化；可辨识性还需哪些观测、监督或分布条件，摘要未说明，须查阅全文确认。 作者报告，在合成与真实世界数据实验中，TRACE 恢复混合轨迹的相关性最高达 0.99，并优于离散切换基线。摘要未给出这一最高值对应的数据集、数据划分、相关性定义与具体基线，因此不能将其视为所有场景下的表现；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 中某些非平稳变化可近似为有限机制的平滑混合，TRACE 的原子机制专家与轨迹恢复思路可能用于刻画连续变化，而非仅划分离散会话或状态。这一假设需要改造 EEG 时序观测编码与机制解释方式；低信噪比、通道差异、跨被试差异及小数据可能使混合轨迹难以辨识，伪迹变化也可能被误解释为机制演化。可先在具有已知混合轨迹的模拟 EEG 中，保留部分中间混合状态用于测试，对比连续恢复与离散切换方法，并检验恢复轨迹是否随噪声增强而失效。该实验建议不构成已验证的 BCI 效果，相关 EEG 工作尚未检索确认。