IV-CRL：用于因果表征学习的工具变量方法

基于摘要分析。本文研究线性潜变量 DAG 中的因果表征学习：在联合观测外生工具变量 W 与高维变量 X、工具变量作用目标未知，且观测变量可同时载荷于多个潜变量、没有纯测量变量的条件下，尝试恢复潜在因果图与稀疏载荷矩阵。核心贡献是利用工具变量在 X 上成比例的总效应识别潜变量总效应子空间，再通过逆拓扑残差剥离处理后代传播。 方法与理论：作者提出 IV-CRL-Peel，以工具变量总效应聚类和截尾回归剥离实现上述恢复过程。作者给出总体层面恢复的充要条件，并提供一个 P(X) 不可识别、但联合分布 P(X,W) 可识别的例子。具体条件、有限样本估计误差及算法实现细节尚未验证。 结果：作者报告，在模拟实验中，该方法的图恢复优于观测方法和基于工具变量的基线；使用总体层面的工具变量总效应时，恢复了所有模拟图。这一结果须与有限样本估计场景区分。作者还报告，在采用掩码设置的 OneK1K 示例中，方法精确恢复了 cis-eQTL 分组与经验潜变量 DAG，但潜变量得分和载荷的恢复较弱。摘要未提供模拟规模、评价指标、掩码规则及基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 研究中存在符合外生性要求、与神经观测联合记录且能影响潜在源的工具变量，该机制或可用于研究混合观测下的潜在因果结构，而非直接提升 BCI 解码。可复用总效应聚类与剥离思路，但需核对工具变量有效性、线性 DAG 和稀疏载荷假设；低信噪比、通道混合、跨被试差异及小样本可能使效应聚类不稳定。可先在具有已知潜在 DAG、已知外生输入的模拟 EEG 混合数据上，比较有无工具变量时的图恢复，并逐步降低信噪比检验失效边界。已有 EEG 相关工作尚未检索确认。