研究人员推出了一种新颖的专家混合（Mixture-of-Experts）框架TRACE，旨在解决当前时间因果表示学习方法的局限性。与假设因果机制之间瞬时切换的现有方法不同，TRACE通过将连续过渡表示为原子机制的凸组合来对其进行建模。该框架能够恢复潜在因果变量和连续混合轨迹，即使是训练期间未见的中间状态。实验表明，TRACE可以将混合轨迹的相关性提高到0.99，显著优于离散切换基线。 AI
影响 通过对连续过渡进行建模，增强了因果推理能力，有望改善对复杂动态系统的理解。
排序理由 学术论文，详细介绍了一种新的因果表示学习方法。 [lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
