利用非平稳性学习含瞬时与滞后关系的因果表征

基于摘要分析。本文研究时间序列中潜在状态及其因果关系的识别，提出 iCReN，利用非平稳性同时建模跨观测间隔的滞后因果关系与间隔内表现为瞬时关系的较快因果效应。核心贡献包括可识别性的充分条件，以及基于对比学习的表征与结构估计框架。 理论机制是使用与状态转移噪声分布变化相关的可观测辅助变量，例如时间或条件标签。在论文所建立的充分条件下，潜在状态可识别至分量置换与逐分量可逆变换，瞬时及滞后因果结构则可识别至相同的分量置换。iCReN 支持离散或连续辅助变量；具体条件、对比目标、模型结构和结构估计流程尚未验证，不能将该结论理解为对任意非平稳时间序列均可识别。 作者报告，在合成数据上能够准确恢复潜在状态及瞬时、滞后因果结构，并在真实数据的下游预测中展示所学表征的实用性。摘要未提供数据集名称、划分、对照方法或量化指标；实验协议、消融及统计信息尚未验证。预测效用本身也不能替代真实数据上的因果结构验证。 平台推测（待验证）：若 EEG 中存在可观测、与潜在状态转移噪声变化相联系的时间或条件变量，该机制可能为非平稳信号中的潜在动态建模提供方法参考。可复用部分是辅助变量驱动的对比表征学习与瞬时／滞后结构联合估计；需重新核对 EEG 观测混合、采样间隔及噪声变化是否满足识别条件。低信噪比、通道混合、跨被试差异与小样本均可能影响恢复结果，条件标签也不能自动视为有效辅助变量。一个可证伪的小实验是在已知潜在因果结构的 EEG 类混合仿真中，控制噪声分布变化及信噪比，比较使用真实、打乱辅助变量时的状态与结构恢复表现。已有 EEG 相关工作尚未检索确认。