利用成对表示学习可识别的因果结构

基于摘要分析。本文研究从观测数据中恢复因果关系的监督因果学习（SCL）：利用具有真实因果关系标注的既有数据集训练模型，再对测试数据预测结构。作者提出 PAIRE，以成对表示增强变量关系编码，并将输出目标改为 Markov 等价类（MEC）的表示，以处理结构可识别性与预测目标之间的不一致。 机制上，作者指出，已有 transformer 方法通过样本维度与节点维度的注意力学习单变量表示，并输出表示有向无环图（DAG）的加权邻接矩阵；若进一步用 Bernoulli 采样生成 DAG，以邻接矩阵为学习目标可能引发可识别性方面的不一致。PAIRE 引入带单向注意力层的 pairwise encoder，同时接收节点特征与成对特征，建模变量对的内部及外部关系。输出则由骨架矩阵与表示 v-structures 的三阶 v-tensor 组成，用于表示 MEC，而非将某个具体 DAG 直接作为唯一输出目标。 作者报告，PAIRE 在其经验评估中显著优于其他基于 DNN 的 SCL 方法。摘要未提供数据集、样本规模、划分、对照方法名称、指标或数值，无法据此判断增益大小及适用范围；实验协议、消融及统计信息尚未验证。复现时需核对因果图标注来源、训练与测试结构的分布关系，以及 MEC 表示的构造和解码方式。 平台推测（待验证）：其成对编码与 MEC 输出可能为 EEG 通道或脑区间关系建模提供方法参考，但原任务依赖带真实因果结构的训练数据，不能将 EEG 中的统计依赖直接视为因果关系。迁移需改造时序特征输入与监督来源，并处理低信噪比、潜在混杂及跨被试分布变化。可先在具有已知生成图、加入噪声与混合效应的合成多通道时序上，对照成对编码和原有编码，检验 MEC 恢复是否改善；这不构成真实 EEG 或 BCI 有效性的证据。相关 EEG 工作尚未检索确认。