本文提出了一种基于辅助变量增广数据的非线性独立成分分析（ICA）框架，探讨了因果表示学习的可识别性。研究表明，通过学习多个视图，可以有效识别潜在因果变量及其关系，并提出了新的估计方法，以提升在非平稳环境下的因果影响识别能力。

本文提出了一种深层生成模型（DGMs）的可识别性理论，并通过应用非线性独立成分分析的最新进展进行扩展。实验证明，拟合比较DGMs的规范化技术在未知潜变量数量时有助于可识别性。同时引入了一种改进多数据源处理的方法。

本文介绍了一种深层生成模型（DGMs）的可识别性理论，并通过非线性独立成分分析的最新进展进行扩展。研究发现，当混合函数是分段仿射函数时，这些模型在广义混合函数类中缺乏可识别性，但在这种情况下变得可识别。实验证明，拟合比较DGMs的规范化技术在不提前知道潜变量数量时有助于可识别性。最后，介绍了一种通过多目标优化来改进多数据源处理并以可解释方式使用约束优化来调整规范化超参数的方法。