MOSAIC: VAE Temporale Sparso per la Scoperta Causale in Serie Temporali Scientifiche
Un nuovo metodo di apprendimento della rappresentazione causale chiamato MOSAIC (Module discovery via Sparse Additive Identifiable Causal learning) è stato proposto per serie temporali scientifiche. L'approccio colma il divario tra identificabilità e interpretabilità nel recupero di variabili latenti. Mentre i metodi CRL esistenti garantiscono l'identificabilità fino a permutazione e riparametrizzazione, le semantiche latenti vengono tipicamente assegnate a posteriori. In domini scientifici come distanze tra coppie di residui, indici climatici o sensori di processo, le osservazioni sono intrinsecamente semantiche poiché corrispondono a quantità fisiche nominate. MOSAIC integra un VAE temporale sparso per trasferire l'interpretabilità dalle osservazioni allo spazio latente, consentendo la scoperta della struttura causale sottostante senza richiedere fattori ground-truth. Il lavoro è pubblicato su arXiv (2605.05524).
Fatti principali
- MOSAIC sta per Module discovery via Sparse Additive Identifiable Causal learning
- È un VAE temporale sparso per l'apprendimento della rappresentazione causale
- Si rivolge a serie temporali scientifiche come distanze tra coppie di residui, indici climatici o sensori di processo
- Mira a trasferire l'interpretabilità dalle osservazioni allo spazio latente
- Pubblicato su arXiv con identificatore 2605.05524
- Affronta la limitazione dell'assegnazione semantica a posteriori in CRL
- Le osservazioni nella scienza sono intrinsecamente semantiche (quantità fisiche nominate)
- Il metodo non richiede fattori ground-truth per l'interpretabilità
Entità
Istituzioni
- arXiv