基于干预的 score 因果表征学习：非参数可辨识性

基于摘要分析。本文研究一般非参数潜在因果模型中的因果表征学习（CRL）：潜变量经一般变换映射为观测数据后，如何借助干预恢复潜变量及其因果模型。核心贡献是在每个潜在因果图节点具有两次随机硬干预、但不知道哪些干预环境作用于同一节点的 uncoupled 设置下，建立可辨识性与算法可实现性结果。 作者报告，在论文所述条件下，uncoupled 干预能够保证潜在因果模型与变量的完全恢复；其算法结合观测数据和干预数据，利用不同环境间的 score 变化估计观测变换的逆映射，继而恢复潜变量，并提供理论保证。摘要未给出 score 的具体估计方式、完整正则条件及“完全恢复”所允许的等价变换，尚需全文核对。 作者还报告，分析可覆盖已有的两次硬 coupled 干预可辨识性结果；该设置已知作用于同一节点的环境配对信息。相较摘要所述既有非参数结果，本文指出，在有观测数据时，无须额外的忠实性假设。这不等于不需要干预条件或其他模型假设。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其跨环境 score 变化机制可能为 EEG 混合观测中的潜在因素恢复提供理论参照，但前提是环境变化确实对应潜在节点的硬干预，而非一般任务切换或被试差异。可复用的是跨环境差异与逆映射恢复思路；需改造的是 EEG 时序建模、噪声处理及干预定义。低信噪比、小样本、通道混合与跨被试差异可能使 score 估计不稳定，或破坏理论前提。可先在具有已知潜在因果图的合成 EEG 混合信号上，提供符合假设但隐藏配对的干预环境，检验噪声与样本量变化下的潜变量及图恢复表现；这只能检验方法边界，不能证明真实 BCI 有效。已有 EEG 相关工作尚未检索确认。