arXiv cs.AI· Shicheng Fan, Nour Elhendawy, Jianle Sun, Ke Fang, Kun Zhang, Yihang Wang, Lu Cheng·· 11 小时前AI 评分29
MOSAIC：面向科学时间序列的稀疏可加可识别因果学习模块发现方法
MOSAIC: Module Discovery via Sparse Additive Identifiable Causal Learning for Scientific Time Series
AI 导读
MOSAIC 是一种稀疏时序 VAE，将时序因果表示学习的可识别性与观测变量上的支撑集恢复结合，通过加性解码器为每个隐变量恢复一组稀疏关联观测，实现模块级可解释性。
正文 · AI 翻译
摘要：因果表示学习（CRL）旨在恢复具有可识别性保证的潜变量，通常是在适当假设下达到排列和逐分量重参数化意义下的可识别性。然而，可识别性并不意味着可解释性：潜变量的语义通常是事后通过与已知真实因子的对齐来赋予的。这一局限在科学时间序列中尤为突出，因为其潜在机制未知，而发现可解释的结构是首要目标。相比之下，科学观测（如残基对距离、气候指数或过程传感器）本身具有语义，因为它们对应着有名称的物理量。这引出了一个关键问题：观测的可解释性能否迁移到可识别的潜空间？我们提出 MOSAIC（通过稀疏加性可识别因果学习进行模块发现），一种稀疏时间 VAE，将时间 CRL 的可识别性与对观测变量的支撑恢复相结合。MOSAIC 通过以状态为条件的时间变化来识别潜变量，并通过加性解码器为每个潜变量恢复一组稀疏的关联观测，从而实现模块级可解释性。我们证明，在一般光滑混合函数下，ANOVA 主效应支撑是可识别的，并给出了组 lasso 估计器的有限样本恢复保证以及对 MOSAIC 熵正则项的经验评估。在实证方面，MOSAIC 在 RNA 分子动力学、太阳风、ENSO 气候、田纳西-伊斯曼过程以及一个合成托卡马克基准上恢复了与领域一致的变量组，从而能够在科学时间序列中可解释地发现潜在机制。
| 评论： | 已被 NeurIPS 2026 接收。39 页，包括参考文献和附录 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2605.05524 [cs.LG] |
| （或 arXiv:2605.05524v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2605.05524 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Shicheng Fan [查看电子邮件]
[v1]
2026 年 5 月 6 日星期三 23:57:44 UTC（1,165 KB）
[v2]
2026 年 10 月 15 日星期四 23:42:48 UTC（1,208 KB）
来源：arXiv cs.AI · arxiv.org