何时和如何：学习可识别的非固定时间序列预测潜在状态
内容提要
该文综述非平稳时间序列的因果发现与预测研究，提出状态空间模型、NCTRL、LiLY、CD-NOD等框架，利用非平稳性识别潜在因果变量与结构，处理分布转换、非均匀采样及机制变化，并在合成与真实数据上验证有效性。
延伸解读
非平稳性如何帮助识别因果结构
文章指出，非平稳时间序列中的分布变化并非干扰，而是识别潜在因果变量的关键信息。通过状态空间模型、CD-NOD等框架，研究者利用非平稳性确定因果方向，并恢复观测变量间的因果结构。这意味着在传统方法因分布变化而失效的场景下，非平稳性反而成为可用的信号，为因果发现提供了新思路。
从识别到预测：因果模型与贝叶斯推断的结合
文章将预测问题视为因果模型的贝叶斯推断问题，并引入深度状态空间模型进行概率预测。这类方法不仅给出点预测，还能通过蒙特卡罗模拟逼近多步预测的分布，并估算预测不确定性。随着预测步数增加，不确定性逐渐增长，这提醒读者在长程预测中需关注置信区间而非单一数值。
应对分布转换与快速模型更正
LiLY框架针对未知分布转换下的模型更正问题，将变化分解为固定动态和时变潜在因果关系引起的过渡分布更改与全局更改。利用识别出的因果结构，仅需少量样本即可高效学习更正模型。这为实际应用中数据分布突然变化时的快速适应提供了可行方案，但文章也强调其有效性依赖于潜在因果影响的可靠识别。
非均匀采样与时间不对齐的挑战
文章提到，现实时间序列常存在非均匀时间间隔和时间不对齐问题。为此，有研究提出概率预测模型，允许观测时间成为模型构建的核心，并使用条件流非参数地表示数据分布。这一方向突破了传统方法对规则采样的假设，但文章未详细说明其计算复杂度与在大规模数据上的扩展性，读者需留意其适用边界。
Q&A
非平稳时间序列的因果发现和预测问题，目前有哪些主要方法？
文章综述了多种方法，包括基于状态空间模型的方法、NCTRL、LiLY、CD-NOD等框架。这些方法利用非平稳性识别潜在因果变量与结构，处理分布转换、非均匀采样及机制变化。
NCTRL框架是如何从非平稳时间序列中识别潜在因果关系的？
NCTRL通过探索具有时间延迟因果关系过程的马尔可夫假设，在温和条件下从非线性混合中恢复独立潜在成分，无需观察辅助变量。它仅通过测量的序列数据重建时间延迟的潜在因果变量并确定它们之间的关系。
LiLY框架如何解决未知分布转换下的时间序列建模问题？
LiLY首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后利用识别出的因果结构，将更正步骤公式化，将未知分布转移分解为过渡分布更改和观察结果的全局更改。通过这种模块化变化表示，只需少量样本就能高效学习更正模型。
CD-NOD框架能处理哪些类型的数据？它的主要功能是什么？
CD-NOD是一个基于约束的因果发现框架，用于从异构/非平稳数据中查找原因骨架和方向，并估计机制变化的属性。它已在各种合成和真实数据集上验证了有效性。
如何处理非均匀时间间隔和时间不对齐的时间序列预测？
文章提出了一种概率预测模型，通过允许观测时间成为模型构建的核心来克服现有方法的局限性，使用条件流表示来非参数地表示数据分布，并通过精心分解对数似然目标来监督该表示。
在非平稳数据中，如何检测局部机制不平稳的变量并恢复因果结构？
文章提出了一个有原则的框架，开发了方法来检测局部机制不平稳的变量以及恢复观测变量之间的因果结构，通过利用变化分布所携带的信息确定某些因果方向，并开发可视化因果模块的非平稳方法。
