Marrying Causal Representation Learning with Dynamical Systems for Science

因果表示学习承诺将因果模型扩展到从原始纠缠测量中的隐藏因果变量。然而，大部分进展都集中在不同设置下证明可识别性结果上，我们不知道任何成功的实际应用。同时，动力系统领域受益于深度学习并扩展到无数应用，但不允许参数识别。在本文中，我们清晰地连接了这两个领域及其关键假设，使我们能够将因果表示学习中开发的可识别方法应用于动力系统。同时，我们可以利用为微分方程开发的可扩展可微求解器来构建既可识别又实用的模型。总的来说，我们显式地学习可控模型，将轨迹特定参数隔离出来，以进一步进行下游任务，如超出分布分类或治疗效果估计。我们在部分已知变异因素的风模拟器上进行了实验。我们还将所得模型应用于真实的气候数据，并成功回答了与气候变化现有文献一致的下游因果问题。

本论文旨在将可识别的因果表征学习方法应用于动力学系统，从而得到可控的、可解释的模型，以便进行下游任务，如越界分类或治疗效果评估。

论文将因果表征学习方法与可微分求解器相结合，以构建可识别的动力学模型。该方法可以分离轨迹特定参数，以便进行下游任务，并成功地将其应用于风模拟器和真实世界的气候数据。

论文提出的方法为动力学系统建模提供了一种新的可识别的方法，并且可以应用于实际问题。实验使用了风模拟器和真实气候数据，成功回答了下游因果问题。该方法还可以用于越界分类和治疗效果评估等下游任务。论文还提供了开源代码。

最近在因果推断和动力学建模领域中，也有其他相关研究。例如，因果推断方面的文章包括“Causal Discovery with Reinforcement Learning”和“Estimating Individual Treatment Effect: Generalization Bounds and Algorithms”。在动力学建模方面的文章包括“Neural Ordinary Differential Equations”和“Hamiltonian Neural Networks”。