因果强化学习综述

基于摘要分析。本文围绕强化学习（RL）中的数据效率与可解释性问题，综述如何利用因果推断思想辅助序贯决策，主要贡献是提出组织既有因果强化学习（CRL）工作的分类框架，而非发布新的学习算法。 分类主线是方法所依赖的因果信息是否预先给定。作者进一步在 Markov decision process（MDP）、partially observed MDP（POMDP）、multiarmed bandits（MABs）、imitation learning（IL）及 dynamic treatment regime（DTR）等框架下，分析不同模型的形式化方式及对应的因果图表示。这一组织方式有助于读者区分方法所处的决策场景与因果信息前提，但摘要未展开各类方法所需的监督信号、可识别性条件或具体学习机制。 作者称还汇总了评估指标与开源资源，并讨论新兴应用及未来方向。摘要未提供具体数据集、对照方法或定量结果，因此不能据此判断因果信息对数据效率或可解释性的实际改善幅度；综述的文献覆盖、评估协议及资源可用性尚未验证。 本文的主要对象是通用序贯决策方法，不是 EEG 解码或 BCI 系统。摘要没有提供可直接对应 EEG 瓶颈的具体算法机制，因此暂不提出迁移实验方案；已有 EEG/BCI 相关因果强化学习工作尚未检索确认。