当因果机制不再"跳变"：连续机制演化下的因果表征学习

本文针对因果表征学习（CRL）中现有方法普遍依赖因果机制在域间离散切换假设的局限性，提出真实世界系统演化（如车辆转弯、步态转换）往往是连续且渐进的。研究目的是形式化连续机制演化问题，并提出能够捕捉和恢复连续机制轨迹的方法。为此，作者提出了TRACE框架，该框架采用两阶段设计：首先利用混合专家（MoE）架构学习原子机制，然后通过门控网络恢复连续混合轨迹。理论贡献包括证明了潜在变量与连续混合轨迹的联合可辨识性，并给出了有限样本误差界。实验结果表明，TRACE在合成数据上能有效恢复混合轨迹，性能显著优于基于离散假设的基线方法。结论指出，这项工作填补了从离散到连续机制建模的空白，为因果表征学习开辟了新方向，并展望了在蛋白质动力学、气候系统等领域的应用潜力。