面向奖励的因果表征学习

基于摘要分析。本文研究高维观测背后低维潜在因果因素的学习，但不以完整恢复潜变量及其因果图为最终目标，而是提出 reward-oriented CRL：仅学习足以优化指定下游任务奖励的最粗粒度表征，避免超出任务需求的精确恢复。 方法将目标形式化为在所有可能干预构成的空间上，优化观测数据的某个指定函数，研究范围限定在线性因果模型与线性变换模型。作者设计自适应探索算法，逐步学习识别最佳干预所需的潜在因果图与变量，以序贯确定最优干预子集。其关键区别是以任务优化需求决定表征学习程度，而不是默认完整因果恢复必不可少；摘要尚未说明如何具体判定表征粒度、实施干预及更新图估计。 作者报告理论结果：在潜在空间维度为 n、观测空间维度为 d、探索时域为 T 的设定下，算法遗憾上界为 Õ(d^(1/3)n^(1/3)u^(2/3)T^(2/3) + u√T)，其中 u 衡量因果图估计的总不确定性。作者还给出近乎匹配的下界 Ω(d^(1/3)n^(1/3)p^(2/3)T^(2/3) + p√T)，其中 p 为图中因果路径数量。上下界使用的结构量不同，不能仅据摘要将其解读为完全匹配；具体假设、遗憾定义及证明条件尚未验证，实验协议、消融及统计信息亦尚未验证。 平台推测（待验证）：其潜在 EEG/BCI 对应点是任务相关表征不必恢复全部信号生成因素，但这属于迁移假设。原方法依赖线性潜在因果结构、观测变换及可探索的干预空间，普通离线 EEG 分类数据未必满足这些条件。可考虑复用任务驱动的探索思想，但须重新定义安全可执行的干预、奖励与观测映射；低信噪比、跨被试变化、通道混合及小样本可能使因果图估计不稳定。一个可证伪的小实验是在具有已知线性潜在图、可控干预和 EEG 式噪声的合成数据上，在相同探索预算下比较任务导向恢复与完整恢复的累计遗憾，并考察噪声增强时优势是否消失；这只能检验机制，不能证明真实 BCI 有效。已有 EEG 相关工作尚未检索确认。