LinADMG：多域学习含潜在混杂的因果结构

基于摘要分析。本文研究含潜在混杂的线性因果模型结构发现问题，提出 Linear ADMG Learning（LinADMG），通过多域可辨识表征学习识别噪声变量，进而恢复以无环有向混合图（ADMG）表示的因果结构。研究对象是一般线性因果模型，并非 EEG 或 BCI 专用方法。 核心机制是以多域信息替代部分既有方法依赖的非高斯性或 bow-freeness 图约束。作者报告，其理论结果表明：噪声变量的可辨识性足以恢复全部直接因果关系；若进一步满足潜在混杂无抵消条件，则可识别完整 ADMG。这两项结论的条件不同，不能将直接因果关系的可恢复性等同于完整混杂结构的可识别性。 作者使用文献中的四种可辨识表征学习方法实现 LinADMG，并在模拟与半合成数据上开展验证。摘要未提供具体方法名称、数据规模、域构建方式、对照基线或定量结果；实验协议、消融及统计信息尚未验证。复现时需核对多域变化必须满足的条件、噪声可辨识性的具体含义，以及潜在混杂无抵消条件的形式与适用范围。 平台推测（待验证）：若 EEG 多环境数据能够满足论文要求的域间变化条件，该框架或可用于探索存在未观测共同驱动时的线性因果结构。但跨被试、跨会话差异不能直接视为合格的多域干预；头皮 EEG 的瞬时混合、低信噪比及结构非平稳性也可能破坏假设。可复用的是噪声识别与结构恢复思路，需另行评估传感器混合、时间依赖和域定义。一个可证伪的小实验是在已知 ADMG 的模拟信号中加入 EEG 式瞬时混合与噪声，对比满足和破坏域间变化条件时的结构恢复表现。已有 EEG 相关工作尚未检索确认。