非马尔可夫因果系统中的解耦表征学习

基于摘要分析。本文研究低层观测与高层因果变量粒度不匹配时的因果解耦表征学习，结合异质域数据与潜在因果图假设，提出判断潜在变量能否被解耦的图判据及相应算法。主要研究对象是通用因果表征学习，而非 EEG 或 BCI。 理论设置同时考虑可能存在未观测混杂的非马尔可夫因果系统、来自多个域的任意分布，以及一种放宽的解耦定义。这里的“非马尔可夫”主要指因果系统允许未观测混杂，不宜直接理解为对时间序列长程依赖的建模。算法根据可用数据与图假设返回因果解耦映射，标明哪些潜在变量能够被解耦；摘要未给出放宽定义的具体形式、图判据细节或学习实现。 作者报告实验支持其理论，但摘要未提供数据集、对照方法、指标及数值。实验协议、消融及统计信息尚未验证，现阶段不能据此判断其在实际高维观测中的解耦质量或泛化增益。 平台推测（待验证）：其潜在迁移价值是为跨被试或跨会话 EEG 表征提供“哪些因素可被区分”的可辨识性分析，而不是直接提供可用的解码网络。该假设依赖于能否合理描述神经活动、被试差异及采集条件之间的潜在因果关系。可复用部分是图判据与解耦映射思路；需改造部分是 EEG 观测生成关系和域定义。低信噪比、通道变化、小样本以及错误图假设均可能使实际估计不稳定。一个小规模可证伪实验是在具有已知潜在因果图和混杂结构的合成多域 EEG 数据上，检验图判据预测的可解耦变量是否确实能够被恢复，并考察噪声与通道变化的影响。已有 EEG 相关工作尚未检索确认。