因果基础模型： 从仪器属性中分离物理特性-计算机科学-结构化时间序列数据-机器学习.pdf

因果基础模型：

从仪器属性中分离物理特性

*1*11234

JeroenAudenaertDanielMuthukrishnaPaulF.GregoryDavidW.Hogg

V.AshleyVillar56

Abstract编码到结构化数据表示学习中的重要性。

结构化时间序列数据的基础模型必须应对

一个基本挑战：观测结果往往将真实的潜

1.介绍

在物理现象与测量仪器引入的系统性失真

本混为一谈。这种纠缠限制了模型的泛化能观测数据集在科学和工业领域通常混淆了两种不同

译力，尤其是在异构或多仪器设置中。我们的变异来源：(i)真正感兴趣的潜在信号，以及(ii)

中提出了一种基于因果动机的基础模型，该测量工具引入的失真，如传感器漂移、校准偏移及

模型使用双编码器架构，并通过结构对比环境或观察条件。这种纠缠给构建能够跨仪器、领

1

v学习训练来明确区分物理和仪器因素。利域或模态泛化的基础模型带来了根本性的挑战。

3用自然发生的观测三元组（即，在不同条件

3在天文学中，PB级的开放访问数据(e.g.,TheMul-

3下测量同一目标，以及在相同条件下测量

5timodalUniverseCollaborationetal.,2024)最近促

0.不同的目标），我们的模型为潜在的物理信进了基础模型(e.g.,Parkeretal.,2024;Rizhko

7号和仪器效应学习了独立的潜在表示。在

0模拟天文时间序列上的评估结果显示，该Bloom,2024;Zhangetal.,2024;EuclidCollabora-

5tionetal.,2025)的快速发展。时间序列基础模型

2序列旨在模仿NASA的系外行星勘测卫星

:也在更广泛的领域中逐渐出现(e.g.,Goswamietal.,

v(TESS)等任务观测到的变星复杂性，我们

i2024;Dasetal.,2024)。然而，天文物理信号往往与

x的方法在下游预测任务中显著优于传统的

r系统仪器效应紧密纠缠在一起。这种纠缠限制了学

a单潜在空间基础模型，特别是在低数据环

习到的表示的可解释性和泛化能力。例如，在Euclid

境中表现更佳。这些结果表明，我们的模

Collaborationetal.(2025)中发现，仪器属性在潜

型支持基础模型的关键能力，包括少量样