干预式因果表征学习的样本复杂度

基于摘要分析。本文研究如何从由低维潜在因果变量生成的高维观测中，恢复潜在变量及其因果结构，核心贡献是建立有限样本数量与恢复成功概率、恢复误差之间的理论关系。作者将其定位为干预式因果表征学习的首次样本复杂度分析；这一优先性表述尚未独立核验。 研究设定包含一般潜在因果模型、随机软干预，以及从潜在空间到观测空间的线性变换。恢复保证并非潜在因果图与变量的完全唯一恢复：图的可辨识性限定在祖先关系意义下，潜在变量则允许与其父变量混合。理解这些等价类是判断理论保证实际含义的关键。 作者报告，在上述设定及相应可辨识条件下，以至少 1−δ 的概率实现祖先关系意义下的潜在图恢复，所需样本量为 O((log(1/δ))^4)；以至少 1−δ 的概率恢复距离可辨识等价类不超过 ε 的潜在因果变量，所需样本量为 O(((1/ε)log(1/δ))^4)。这些是理论样本复杂度界，而非实测性能；摘要未展开误差度量、隐藏常数及其他问题参数的依赖，不能据此认定实际所需样本量与维度无关。 平台推测（待验证）：线性潜在混合与干预辨识机制，可为分析 EEG 观测混合下的潜在因果源提供理论参照，但任务条件变化能否对应所需软干预、真实信号是否满足模型假设，均尚未验证，不能将本文保证直接视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。具体恢复算法、干预覆盖要求、理论正则条件、实验协议、消融及统计信息尚未验证。