面向 DAG 结构学习的动态因果空间发现

基于摘要分析。本文研究从纯观测数据中发现变量间因果关系的 DAG 结构学习问题，提出动态因果空间 CASPER，将图结构信息纳入评分函数，并通过对 DAG-ness（有向无环性质）的自适应关注调整学习过程。其主要贡献是尝试让候选图的评价不仅反映数据拟合程度，也反映图结构及其与真实 DAG 的差异。 技术机制：可微、基于评分的 DAG 学习方法将组合优化转化为带 DAG 约束的可微优化。作者认为，现有方法的评分函数与 DAG-ness 相互独立，仅衡量数据拟合可能得到次优 DAG；CASPER 则在因果空间中引入包含结构信息的新度量。摘要未给出评分函数、因果距离、约束实现或自适应关注机制的数学形式，不能据此将其解释为特定注意力网络。 证据与边界：作者报告，经验可视化支持 CASPER 具有结构感知和噪声稳健性，并在合成及真实世界数据集上，相较所比较的先进因果发现方法取得准确性与稳健性优势。摘要未提供数据集名称、样本规模、具体指标或数值；实验协议、消融及统计信息尚未验证。观测数据下的因果识别假设、是否允许潜在混杂，以及结构评分在实际学习时如何避免依赖真实 DAG，也需查阅全文核对。 平台推测（待验证）：若 CASPER 的结构感知评分能用于多变量神经信号，可探索其对 EEG 噪声条件下结构估计稳定性的影响，但原领域有效不等于 BCI 有效。可复用的候选模块是评分与 DAG 优化机制；需改造或核对时序依赖、通道混合、潜在共同源及反馈环路的处理。低信噪比、小样本和跨被试差异可能使通道间统计关系难以解释为因果关系。一个可检验的小实验是在已知 DAG 的合成源信号上逐步加入噪声与通道混合，在相同数据和优化预算下比较 CASPER 与原始评分方法的结构恢复表现，以检验结构感知评分是否仍带来增益。已有 EEG 相关工作尚未检索确认。