ترجمه فارسی مقاله یادگیری بازنمایی زمانی علی با انتقال پراکنده غیر ثابت

چکیده

Causal Temporal Representation Learning (Ctrl) methods aim to identify the temporal causal dynamics of complex nonstationary temporal sequences. Despite the success of existing Ctrl methods, they require either directly observing the domain variables or assuming a Markov prior on them. Such requirements limit the application of these methods in real-world scenarios when we do not have such prior knowledge of the domain variables. To address this problem, this work adopts a sparse transition assumption, aligned with intuitive human understanding, and presents identifiability results from a theoretical perspective. In particular, we explore under what conditions on the significance of the variability of the transitions we can build a model to identify the distribution shifts. Based on the theoretical result, we introduce a novel framework, Causal Temporal Representation Learning with Nonstationary Sparse Transition (CtrlNS), designed to leverage the constraints on transition sparsity and conditional independence to reliably identify both distribution shifts and latent factors. Our experimental evaluations on synthetic and real-world datasets demonstrate significant improvements over existing baselines, highlighting the effectiveness of our approach.

چکیده به فارسی (ترجمه ماشینی)

روشهای یادگیری بازنمایی موقتی علّی (CTRL) با هدف شناسایی پویایی علی موقت توالی های زمانی غیر ایستاده پیچیده.علیرغم موفقیت روشهای CTRL موجود ، آنها نیاز به مشاهده مستقیم متغیرهای دامنه یا فرض یک مارکوف را قبل از آنها دارند.چنین الزاماتی هنگامی که چنین دانش قبلی از متغیرهای دامنه نداریم ، کاربرد این روش ها را در سناریوهای دنیای واقعی محدود می کند.برای پرداختن به این مشکل ، این کار یک فرض انتقال پراکنده را اتخاذ می کند ، با درک بصری انسان مطابقت دارد و نتایج شناسایی را از دیدگاه نظری ارائه می دهد.به طور خاص ، ما تحت چه شرایطی در مورد اهمیت تغییرپذیری انتقال ها می توانیم یک مدل برای شناسایی تغییرات توزیع ایجاد کنیم.بر اساس نتیجه نظری ، ما یک چارچوب جدید ، یادگیری بازنمایی موقت علّی را با انتقال پراکنده غیر استاتیک (CTRLN) معرفی می کنیم ، که برای استفاده از محدودیت های موجود در ترمیم و استقلال مشروط برای شناسایی قابل اعتماد هر دو تغییر توزیع و عوامل پنهان طراحی شده است.ارزیابی های تجربی ما در مجموعه داده های مصنوعی و واقعی در دنیای واقعی پیشرفت های قابل توجهی را نسبت به خطوط موجود نشان می دهد و اثربخشی رویکرد ما را برجسته می کند.