标签
该论文证明了 Shu 等人提出的因果概率闭式界在每一维度上都是紧致的，并表明 PNS、PSub、PRep 和 PN 都是离散因果概率单一一致定理的特例。
本文针对所有簇大小 M≥2 的过拟合高斯混合模型，证明了关于密度抵消阶数的 Ho–Nguyen 猜想，推导出精确的最大似然指数与局部极小极大收敛速率，并将该系数框架应用于混合专家模型中的可识别性问题。
Meta-iLaD 提出一种通过跨动力学环境元学习实现可识别潜在动力学的新框架，利用少量样本的条件先验快速提取环境变量，并同时对潜在状态、环境变量与动力学函数建立可识别性，从而提升对未见环境的泛化与预测能力。
该论文研究中心化二次神经网络的谱可辨识性与学习曲线辨识问题，构造了谱摘要一致但损失曲线不同的输入分布，并在高斯输入下证明单条精确标量损失曲线可辨识初始预测器与教师谱。
LLM-IDEA 论文提出一个由可识别性驱动的实验智能体，用于闭环自主发现机制性世界模型。其可识别性引擎能在能力上限、设计类内可解、认证耗尽三种平台期判定之间做出选择，从而使自主智能体能够计算出当前平台期是需要更多搜索、更优同类实验，还是需要更换一类实验。
DSReg提出通过依赖稀疏性正则化（Structural Diversity条件），在无需重建、解码器或标签的情况下可证明地恢复单个世界隐变量，建立了首个完全可识别的JEPA表示学习方法。
本文证明，对于从稳态数据恢复线性随机动态系统的参数，每个强连通分量仅需一次干预即可，并提出一种递归学习算法。
本文确立了在线性参数模型下，具有混合序数和指数族节点的因果有向无环图的可识别条件，证明了只要节点有足够的类别和支持点，边的方向就可以仅从联合分布中确定。
本文建立了开放量子系统中恢复耗散速率的谱可识别性阈值，展示了在六量子比特Lindblad模型中，振幅阻尼和去相位恢复所需的Liouvillian模式数量。
本文引入了一个基于Koopman算子理论的理论框架，用于识别机制可解释性中的模型内在结构，证明了针对机制可解释性原语的第一个可识别性定理，并在GPT-2、Gemma-2-2B和Qwen3-8B-Base上进行了实证验证。
This paper introduces GeoID-PINN, a physics-informed neural network for regional epidemic inference that incorporates geographic coupling via a spatial source-composition matrix. It demonstrates that accurate trajectory forecasts do not guarantee correct recovery of regional dependence structures, using simulations and COVID-19 data from Louisiana counties.
本文介绍了PCINN，一种混合AI代理模型，用于实时空间原子层沉积（SALD）覆盖率预测，在约77毫秒内实现CFD级精度，并通过可辨识性分析实现可靠的动力学反演。
本文表明，基于吸引子几何，不变测度矩矩阵的最小特征值决定了系统发现方法（如SINDy和PySR）的可辨识性上限。它引入了一个框架，可以从短参考轨迹预测发现极限，无需重新拟合。
本文研究利用SIFBench有限元数据，从裂纹前沿的应力强度因子曲线中恢复载荷大小的逆问题。它刻画了组合载荷何时可识别，并为病态情况提供了带有校准不确定性的估计器。
本文分析了在潜在混杂下线性高斯网络中贝叶斯因果发现如何失败，推导出一个导致评分函数偏好虚假边的相关性阈值，并刻画了两种不同的后验失败模式。
本文引入了文本潜在状态和分解式GRPO（fGRPO），以在基于文本的世界模型中强制实施严格中介，解决了可识别性问题，在表示质量上实现了高达57%的提升，在展开性能上实现了98%的改进。
本文介绍了概念调制模型（CMMs），一个用于条件生成模型可识别性和外推的统一框架。它表明，已观测属性上的特征一致性通过属性势产生约束，从而使得代数外推准则能够恢复并泛化现有结果。
本文利用外微分系统对Transformer最后一层模型窃取攻击进行了几何解释，表明投影矩阵的恢复受二次曲面的极空间控制。它还刻画了最后一层之下的可识别性壁垒，揭示了哪些信息可以被提取，哪些不能。
本文发展了一个测度论框架，分析对比学习何时恢复有意义的潜在几何结构，引入了正对采样的'多样性条件'和一个支持修正的InfoNCE变体。实验表明，采样多样性与架构归纳偏置在对比表示学习中存在关键交互。