因果表征学习中什么是可辨识的？基于可实现对称性对归一化 iVAE 的精确回答

基于摘要分析。本文研究因果表征学习中的一个基础问题：当潜在表征只能恢复到某种对称变换时，哪些关于隐藏原因的函数仍由观测数据唯一确定？作者提出以对称不变函数刻画可辨识内容的框架，并针对具有标量统计量、固定潜变量参数化的 normalized iVAE 给出精确刻画。 核心机制是区分“潜变量坐标是否唯一”与“潜变量的哪些函数仍然唯一”。作者指出，若模型类允许每个潜变量坐标作单调变换，则可辨识函数会退化为常数，因此归一化对保留非平凡内容至关重要。针对所研究的 normalized iVAE，作者构造变量变换，实现所有保持取值范围的坐标置换与符号翻转，从而将经典 iVAE 的包含关系收紧为每个观测等价模型类内的精确结论：不受这些变换影响的有界函数是可辨识的。这里的结论依赖特定模型类及参数化，不能直接理解为任意 iVAE 都能恢复单个隐藏原因。 作者还讨论不同模型类之间的可辨识内容如何衔接：较刚性的模型类能够保留内容，而允许逐坐标单调变换的模型类仅保留常数函数；contrastive content 与 style separation 可纳入同一框架，CITRIS 的对应关系则以概述形式讨论。 作者报告，在拟合 iVAE 的实验中，相关对称性确实出现，可辨识函数在重复训练间更稳定，更强的归一化能够恢复单独坐标。摘要未提供数据集、训练规模、稳定性指标或对照细节，实验协议、消融及统计信息尚未验证。该材料讨论的是潜在表征的可辨识性理论，不构成 EEG 隐藏神经源或 BCI 性能可辨识的证据；相关 EEG 工作尚未检索确认。