#已接收

基于测度论的反因果表示学习

基于摘要分析。本文研究标签导致特征、而非特征导致标签的反因果表示学习问题，提出测度论框架 Anti-Causal Invariant Abstractions（ACIA），旨在学习能跨环境变化保持稳定的表示，并为分布外泛化提供理论保证。 核心机制是两级表示：低层表示刻画标签如何生成观测，高层表示学习环境特异变化下的稳定因果模式。作者称，ACIA 通过干预核容纳完美与不完美干预，不依赖显式因果结构，并可处理高维数据。摘要未给出两级表示的具体实现、优化目标、训练流程，以及干预核所需的监督和环境信息，这些条件尚未验证。 作者报告，在合成数据和真实医学数据上的实验中，ACIA 在 Accuracy 与不变性指标方面优于其所比较的方法；但摘要未提供数据集名称、划分协议、基线、指标定义或具体数值，无法判断优势大小及适用范围。作者还报告训练环境与未见环境之间性能差距的紧界，其成立假设、界的形式及与实验的对应关系需查阅全文。实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但代码内容、运行条件和结果可复现性尚未核验。 平台推测（待验证）：若 EEG 任务可合理建模为任务标签影响观测信号，而被试或会话引入环境变化，ACIA 的低层生成关系与高层不变性设计可能对应跨被试、跨会话分布偏移。该迁移依赖反因果假设及环境信息是否成立；可研究复用两级抽象和干预核思想，但 EEG 时序编码、通道对齐及环境定义需改造。低信噪比、小样本和被试生理差异可能使稳定因素难以识别，或使不变性约束压制有效判别信息。一个可检验的小实验是在同一 EEG 数据集固定跨被试划分与编码器，比较加入 ACIA 机制前后的留出被试 Accuracy 及预先定义的不变性指标，所有模型选择仅使用训练被试。已有 EEG 相关工作尚未检索确认。