arXiv 2026年10月5日该工作针对时间序列因果表示学习中同时建模区间内瞬时因果效应与跨区间滞后因果效应并处理非平稳性的难题，给出了利用观测到的辅助变量（如时间或条件标签）识别潜在状态及其瞬时与滞后因果结构的充分条件，并提出 iCReN 框架，用离散或连续辅助变量的对比学习学习潜在表示并估计两类因果结构，实验在合成数据上准确恢复潜在状态与两种因果结构，在真实数据上验证了所学表示对下游预测的效用。该工作针对时间序列因果表示学习中同时建模区间内瞬时因果效应与跨区间滞后因果效应并处理非平稳性的难题，给出了利用观测到的辅助变量（如时间或条件标签）识别潜在状态及其瞬时与滞后因果结构的充分条件，并提出 iCReN 框架，用离散或连续辅助变量的对比学习学习潜在表示并估计两类因果结构，实验在合成数据上准确恢复潜在状态与两种因果结构，在真实数据上验证了所学表示对下游预测的效用。iCReN 借助非平稳性同时识别时间序列中的瞬时与滞后因果关系该工作针对时间序列因果表示学习中同时建模区间内瞬时因果效应与跨区间滞后因果效应并处理非平稳性的难题，给出了利用观测到的辅助变量（如时间或条件标签）识别潜在状态及其瞬时与滞后因果结构的充分条件，并提出 iCReN 框架，用离散或连续辅助变量的对比学习学习潜在表示并估计两类因果结构，实验在合成数据上准确恢复潜在状态与两种因果结构，在真实数据上验证了所学表示对下游预测的效用。该工作针对时间序列因果表示学习中同时建模区间内瞬时因果效应与跨区间滞后因果效应并处理非平稳性的难题，给出了利用观测到的辅助变量（如时间或条件标签）识别潜在状态及其瞬时与滞后因果结构的充分条件，并提出 iCReN 框架，用离散或连续辅助变量的对比学习学习潜在表示并估计两类因果结构，实验在合成数据上准确恢复潜在状态与两种因果结构，在真实数据上验证了所学表示对下游预测的效用。