DAG-FM：异质因果机制下用于因果发现的基础模型

DAG-FM 面向观测表格数据的因果发现，针对因果机制异质性及有向无环图（DAG）搜索空间的组合复杂性，提出以基础模型摊销因果发现过程的方法。基于摘要分析，未取得论文全文。 核心机制是将因果发现拆分为两个自回归阶段，分别由基于 Transformer 的叶节点预测器和父节点预测器承担，而非直接预测整个邻接矩阵。模型采用表格交互模块建模行列关系并输出特征级表示；Mixture-of-Leaf-Experts（MoLE）根据可识别的机制族动态路由，以应对多样且未知的 Functional Causal Model（FCM）假设。迭代推理过程用于提取因果排序并构建有效 DAG。具体训练目标、预训练数据生成方式、专家划分及无环性保障细节尚未验证。 作者报告，在合成基准和复杂真实数据集上，DAG-FM 的因果发现准确性及可扩展性优于传统算法和近期基础模型，并达到 SOTA。摘要未提供数据集名称、划分协议、评价指标或具体数值，因此无法量化优势，也不能判断不同机制族上的泛化边界；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若将 EEG 的通道或区域特征组织为观测表格，机制路由与分阶段结构预测可能为异质条件下的依赖结构分析提供可复用模块，但原领域结果不等于 EEG 因果识别有效。其适用性取决于训练机制族、因果可识别性假设和数据规模是否匹配；EEG 的时间依赖、低信噪比、潜在共同源及跨被试差异均可能破坏这些条件，需改造特征表示并核对时序与潜在混杂的处理方式。可先在已知 DAG 的模拟信号中逐步加入噪声和共同源干扰，在相同样本量及划分下与对照方法比较结构恢复表现。已有 EEG 相关工作尚未检索确认。