干预式因果表征学习的样本复杂度

基于摘要分析。本文研究如何从高维观测中恢复低维潜在因果变量及其因果结构，核心贡献是建立有限样本下的恢复概率保证，将观测样本数与结构、变量恢复误差联系起来。作者称，这是干预式因果表征学习的首次样本复杂度分析。 研究设定包含一般潜在因果模型、随机软干预，以及从潜在空间到观测空间的线性变换。其恢复目标存在明确的可辨识性边界：图结构恢复允许祖先关系层面的歧义，潜在变量恢复则允许与父变量混合。因此，摘要中的“恢复”不应理解为无歧义地重建原始潜在变量及完整直接因果边。 作者报告，在上述模型与干预设定下，O((log(1/δ))⁴) 个样本足以以至少 1−δ 的概率实现允许祖先关系歧义的潜在图恢复；O(((1/ε)log(1/δ))⁴) 个样本足以以至少 1−δ 的概率，使恢复的潜在因果变量与可辨识性等价类的距离不超过 ε。摘要未说明该距离的具体定义、复杂度中隐藏常数及其他模型量的依赖，也未交代样本如何在干预条件间分配，均需核对全文。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：线性潜在到观测映射与 EEG 源混合问题存在形式上的对应，但随机软干预的可获得性、干预作用对象及潜在因果假设能否成立，是迁移前必须核对的条件。本文摘要未提供 EEG 或 BCI 验证，不能据此推断其在低信噪比、跨被试或有限通道条件下有效；已有 EEG 相关工作尚未检索确认。