On the Identification of Temporally Causal Representation with Instantaneous Dependence

本文提出了一种名为IDOL的框架，用于研究瞬时因果关系。时间上的因果关系学习旨在从时间序列观测中识别潜在的因果过程，但大多数方法都需要假设潜在的因果过程没有瞬时关系。虽然最近一些方法在瞬时因果关系的情况下实现了可识别性，但它们要么需要对潜在变量进行干预，要么需要对观测进行分组，这在一般情况下很难在实际场景中获得。为了填补这一空白，我们提出了一种IDOL框架，通过施加稀疏影响约束，使潜在的因果过程具有稀疏的时延和瞬时关系。具体而言，我们利用时间序列数据的上下文信息，通过充分的可变性和稀疏影响约束建立了潜在因果过程的可识别性结果。基于这些理论，我们将时间上的变分推理架构与基于梯度的稀疏正则化相结合，以估计潜在变量和识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法可以识别潜在的因果过程。此外，在具有瞬时依赖关系的多个人体运动预测基准测试中的评估表明，我们的方法在实际场景中是有效的。

本论文旨在解决时间序列中瞬时因果关系的识别问题，而大多数方法需要假设潜在因果过程没有瞬时关系。

提出了一种基于稀疏影响约束的IDOL框架，通过利用时间序列数据的上下文信息，建立了潜在因果过程的识别结果。

该方法在模拟数据集上表现出了很好的效果，并且在多个人类运动预测基准测试中得到了验证。

最近的相关研究包括因果推断和时间序列建模，如“Granger因果分析”和“深度学习时间序列模型”。