对数数量的干预足以实现非线性因果表征学习

基于摘要分析。本文研究从非线性观测中恢复潜变量及其因果 DAG，重点处理干预目标未知、一次干预可涉及多个节点，且替换分布随目标—环境组合变化的情形。核心贡献是利用同一单元的事实—干预配对数据，先识别残差坐标与干预目标模式，再恢复因果顺序。 方法上，作者在候选残差坐标图与二进制目标编码上采用最小编码准则，选择满足配对不变性的最小汉明重量编码，恢复残差坐标及干预签名，即环境—目标的二进制模式。完成对齐后，对环境密度比逐坐标归一化，以分离因果顺序信息与替换强度。随后，Conditional-foliation peeling（CFP）比较所得条件 CDF 的定向叶状结构，递归识别并移除当前无子节点的汇节点。 作者报告的理论结论适用于具有光滑标量可逆噪声、可逆解码器及固定条件支持集的结构因果模型，并要求配对支持上的密度为正及 Terminal-response faithfulness（TRF）成立。在这些条件下，配对分布可识别内生变量，允许置换与逐分量严格单调变换的不确定性，同时恢复完整 DAG。干预签名只需非零且彼此不同，允许任意秩及嵌套模式。作者报告，上下界一致：当 d≥2 时，最小最大意义下所需的带标签干预环境数恰为 ⌈log₂(d+1)⌉，不计事实环境；这不是样本量界。 该工作首先是一般非线性因果表征的可识别性研究，而非已验证的 EEG/BCI 方法。平台推测（待验证）：若神经信号研究能提供符合模型假设的同一单元事实—干预配对，其目标识别与因果排序解耦机制可能具有参考价值；但配对数据的可获得性、观测映射可逆性及 TRF 在实际信号中的适用性均待核对，不宜直接承诺迁移效果。已有 EEG 相关工作尚未检索确认。全文证明、有限样本实现、实验协议、消融及统计信息尚未验证。