跳到正文

算法、任务与模态

Causal Learning 最新动态

Causal Learning 研究索引；按可核对的标签归档，不以热度评价质量。

150 条精选近 30 天 14 条共收录 166 条

更新

精选归档 · 第 8 页

1月1日周日第 141–150 条
  1. OpenReview · Representation learning81

    通过观测变量分组实现可辨识的因果表征学习

    该研究针对因果表征学习（CRL）中隐藏特征及其因果模型难以唯一确定的问题，提出以观测混合过程中的变量分组约束建立可辨识性，并设计与该模型一致的自监督估计框架。基于摘要分析，未取得论文全文。 原论文研究对象是一般观测数据中的潜在因果表征，而非 EEG 或 BCI。其核心思路是将可辨识性条件置于观测变量的混合与分组结构，而不依赖时间结构、干预或弱监督。作者将这些约束描述为较弱条件，但分组的数学定义、是否需要预先给定，以及对混合函数和潜在因果机制的具体限制尚未验证。 作者报告证明了所提估计框架的统计一致性，并在文中实验设置下取得优于所比较前沿基线的 CRL 表现，同时展示了对潜在混杂因素和因果环的鲁棒性。摘要未提供数据集、样本规模、指标、基线名称及数值；实验协议、消融及统计信息尚未验证。鲁棒性实验也不能直接理解为理论保证适用于任意混杂或因果环。 平台推测（待验证）：若 EEG 的通道组或多模态观测能够满足论文要求的分组混合条件，该机制可能为混合信号中的潜在因素分离提供思路；原领域有效不等于 BCI 有效。可复用部分是分组可辨识性分析与自监督估计思路，需改造或核对的部分是 EEG 观测混合模型及分组依据。容积传导导致的跨组混合、低信噪比、跨被试差异及小样本都可能使假设失效。一个可证伪的小实验是先在具有已知潜在因果图的合成 EEG 混合数据上，比较满足分组条件与逐步增强跨组混合时的潜变量及因果结构恢复表现。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其观测变量分组条件如何支撑因果表征可辨识性，以及自监督估计的一致性证明边界；这些理论保证是否适用于 EEG 混合观测尚未验证。

  2. OpenReview · Representation learning70

    用于无监督表征学习的因果排序先验

    基于摘要分析。本文研究无监督表征学习中潜变量独立性假设与生成因素之间因果关联的矛盾，提出以潜在加性噪声模型（ANM）描述数据生成过程，并通过基于潜在分布 Hessian 的损失鼓励潜在空间遵循因果排序。 核心机制是将因果结构作为表征学习先验，而非要求所有潜变量彼此独立。作者指出，已有具备可证明可辨识性的相关方法依赖辅助信息、弱标签、干预或反事实数据；本文则提出完全无监督的方法。需要区分的是，“完全无监督”是摘要对方法的描述，并不意味着摘要已证明无需其他假设即可恢复真实因果因素。Hessian 约束的具体形式、潜在分布的估计方式、ANM 的适用假设及可辨识性结论尚未验证。 摘要未提供数据集、对照基线或定量结果，因此不能判断其相较独立潜变量方法的实际收益。实验协议、消融及统计信息尚未验证，复现还需核对完整目标函数、训练流程与实现条件。 平台推测（待验证）：若 EEG 中的潜在变化因素存在可由 ANM 近似的因果关系，该排序约束可能作为 EEG 表征模型的正则项；可复用的是约束思路，需改造的是时序编码与潜在分布估计。EEG 的低信噪比、通道混合、未观测混杂及跨被试差异可能使该假设失效，小数据也可能导致 Hessian 估计不稳定。一个可证伪的小实验是在具有已知潜在因果结构、通道混合与噪声的合成时序数据上，对比加入与不加入该约束的同一编码器，检验排序恢复与噪声敏感性；这不构成真实 BCI 有效性的证据。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对其如何以潜在分布的 Hessian 构造因果排序约束，以及该约束在无辅助监督条件下能支持何种可辨识性结论；摘要尚未提供实验结果。

  3. OpenReview · EEG76

    用于医学时间序列生成的因果循环变分自编码器

    基于摘要分析。该研究面向多变量医学时间序列生成，提出 causal recurrent variational autoencoder（CR-VAE），在学习 Granger 因果图的同时，将所学变量依赖结构纳入数据生成过程。研究对象包括合成数据，以及分别涉及 EEG 和 fMRI 的两个人脑数据集，并非直接评估 BCI 解码性能。 机制上，CR-VAE 区别于经典循环 VAE 的关键是多头解码器：第 p 个解码头负责生成时间序列的第 p 个维度。模型对解码器权重施加促稀疏惩罚，鼓励特定权重组归零，从而学习表示变量间关系的稀疏邻接矩阵。作者将这一结构用于约束生成过程，使解码器遵循 Granger 因果依赖，并采用两阶段方法训练整体目标；具体损失形式、权重分组方式及各阶段训练细节尚未验证。 作者报告，在所述合成数据及 EEG、fMRI 数据集的评估中，CR-VAE 的生成效果在定性与定量比较上均优于所比较的先进时间序列生成模型；在因果图恢复方面，相较既有基于 Granger 因果的方法，准确性相近或有所提升。摘要未提供数据集名称、被试规模、数据划分、评价指标及具体分数，因此无法判断这些优势的幅度与适用范围，实验协议、消融及统计信息尚未验证。 阅读时需区分 Granger 意义上的预测依赖与干预意义上的因果机制，不能仅凭摘要将所学图解释为已验证的生理因果连接。作者提供了公开代码地址，但运行依赖、数据可得性及复现条件尚未核对；其对跨被试或跨会话 EEG 生成的适用性，以及生成数据能否改善下游 BCI 任务，均尚未验证。

    阅读价值：值得核对 CR-VAE 如何以稀疏多头解码器同时支持 EEG 时间序列生成与 Granger 因果图学习，但其生成质量和图恢复优势仍需结合全文中的评估协议验证。

12月31日周六
  1. OpenReview · Representation learning74

    基于语言的因果表示学习

    基于摘要分析。本文研究能否仅凭离散动力系统的有限状态图，在不知道对象、状态内部结构及背景知识的情况下，恢复系统的状态变量。作者以智能体在矩形网格中移动、拾取和放下包裹的系统为例，提出在适当的一阶因果语言中学习动力学，并偏好与观测数据相容的最紧凑表示，从而发现对象、关系与因果结构。 核心机制不是依赖自然语言文本，而是利用领域无关、能够表达对象与关系的一阶形式语言限定候选表示空间，再以紧凑性提供归纳偏置。作者将其与结构因果模型（SCMs）及经典 AI 规划相联系：前者是表示静态因果模型的标准语言，而作者认为，涉及对象的动态世界需要经典 AI 规划所使用的一阶因果语言；传统上手工构造的表示，也可以在同类语言中通过学习获得。 作者报告，在合适语言与紧凑性偏好的条件下，可以从上述状态图结构恢复智能体及包裹位置等变量。摘要未提供具体求解算法、紧凑性的计算方式、状态图覆盖条件、噪声设置或量化结果；实验协议、消融及统计信息尚未验证，不能据此推定该结论适用于任意动力系统。 平台推测（待验证）：若 EEG 任务能够先构造可重复、具有明确动作语义的离散状态转移图，这种结构化表示偏置可能用于探索潜在状态关系；但从连续、低信噪比 EEG 到离散状态图的映射并非本文已验证的贡献，跨被试差异也可能使图结构不稳定。当前材料不足以提出具体 BCI 复现实验，已有 EEG 相关工作尚未检索确认。

    阅读价值：值得关注的是以一阶因果语言和表示紧凑性作为归纳偏置、从状态转移图中恢复对象与关系的思路，但其适用条件及对 EEG 的价值尚未验证。

7月19日周二
  1. OpenReview · State space models76

    DESCN：用于个体处理效应估计的深度全空间交叉网络

    基于摘要分析。本文研究因果推断中的个体处理效应（ITE）估计，提出 Deep Entire Space Cross Networks（DESCN），针对处理组与对照组因处理分配偏差而产生的分布差异，以及两组样本量不平衡，通过端到端多任务学习联合建模处理分配与响应。 核心机制是以交叉网络整合处理倾向、响应和潜在处理效应信息，在整个样本空间中联合学习处理函数与响应函数，并引入中间的伪处理效应预测网络缓解样本不平衡。摘要将其与在各组样本空间分别建模响应函数的常规方式作对照，但未披露具体损失、伪处理效应构造、网络结构及因果识别假设；不能据此认定全空间学习能够消除所有混杂偏差。 作者报告，在一个合成数据集及来自电商优惠券发放业务的大规模生产数据集上，DESCN 提升了 ITE 估计准确性和 uplift 排序表现。摘要未提供具体指标、数值、数据划分或基线配置，因此无法量化增益或判断不同评估协议下的可比性。作者称已公开生产数据集的一个样本及源代码，并将该数据称为据其所知首个大规模公开的带处理偏差因果推断数据集；该首创性表述尚未独立核验，数据与代码可用性亦尚未验证。 本文的主要研究对象是一般因果效应估计，实证场景为合成数据与电商业务，并非 EEG 解码或 BCI。摘要未提供神经信号中的处理定义、结局变量或混杂控制方案，不据此推断 BCI 有效性。实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对 DESCN 如何通过全样本空间联合学习与伪处理效应预测缓解处理偏差和组间样本不平衡，但摘要尚不足以判断其因果识别条件及性能增益的适用范围。

1月1日周六
  1. OpenReview · State space models76

    用于任务无关状态抽象的因果动力学学习

    基于摘要分析。本文研究基于模型的强化学习（MBRL）中，稠密动力学模型容易受伪相关影响、难以泛化到未见状态的问题，提出 Causal Dynamics Learning for Task-Independent State Abstraction（CDL）。其核心贡献是先学习因果动力学模型，再从所学动力学中推导状态抽象，以减少不必要的依赖并提高后续策略学习的样本效率。 机制上，摘要称 CDL 移除状态变量与动作之间不必要的依赖，并为所学因果动力学模型提供理论证明；证明所依赖的假设、因果关系的识别方式及具体训练目标尚未验证。与摘要所述的常见稠密动力学模型相比，其关注点是动力学依赖结构；与既有状态抽象方法相比，作者主张推导出的抽象可适用于更广泛的任务，但不能据此认定其对任意任务均有效。 作者报告，在两个模拟环境及下游任务中，CDL 学得的动力学模型和策略能够泛化到未见状态，且使用所推导的状态抽象比不使用该抽象提高了样本效率。摘要未提供环境名称、状态划分方式、具体指标或提升幅度；实验协议、消融及统计信息尚未验证，复现所需的实现与超参数也需查阅全文。 平台推测（待验证）：若 EEG 驱动的闭环控制任务能够构造近似满足 Markov 假设的状态，并记录动作及后续状态，CDL 的依赖筛选与状态抽象机制可能用于减少与控制无关的状态信息，而非直接替代 EEG 解码器。可复用部分是动力学建模与抽象思路，需改造部分是 EEG 状态表示及观测噪声处理；低信噪比、潜在混杂、跨被试或通道变化及小样本均可能导致依赖识别不稳定。一个可检验的小实验是在固定 EEG 状态表示和相同训练预算下，对比稠密动力学模型与 CDL 在留出状态条件下的预测误差及下游控制样本效率。相关 EEG 工作尚未检索确认，该实验仅为迁移假设，不是本文已验证结果。

    阅读价值：值得阅读其通过因果动力学依赖推导任务无关状态抽象的机制，并核对未见状态泛化与样本效率的评估协议；其 EEG/BCI 适用性尚未验证。

  2. OpenReview · State space models74

    DESCN：用于个体处理效应估计的深度全样本空间交叉网络

    基于摘要分析。本文研究个体处理效应（Individual Treatment Effect，ITE）估计，针对处理组与对照组因处理偏差而出现的分布差异及样本量不平衡，提出 Deep Entire Space Cross Networks（DESCN），以端到端多任务学习联合建模处理倾向、响应与潜在处理效应。主要验证场景为合成数据及电商优惠券发放业务，并非 EEG 或 BCI。 传统方法分别在处理组和对照组各自的样本空间中拟合响应函数。DESCN 通过交叉网络整合处理倾向、响应及潜在处理效应信息，在整个样本空间联合学习处理与响应函数，并引入中间伪处理效应预测网络以缓解样本不平衡。上述是作者提出的机制与目标；摘要不足以确认具体损失、伪效应构造、可识别性假设及偏差控制范围，不能将其表述为已消除因果混杂。 作者报告，在合成数据集和大规模电商优惠券发放业务数据集上的实验中，DESCN 提高了 ITE 估计准确性与 uplift 排序表现，但摘要未给出指标数值、数据划分或对照方法，实验协议、消融及统计信息尚未验证。作者称已公开生产数据的一个样本及源代码，具体获取方式与复现条件尚未核实；其关于首个大规模公开有偏处理数据集的表述属于作者声明。 平台推测（待验证）：若 EEG 研究目标是估计干预或反馈策略对个体结果的影响，而非单纯分类，处理倾向与响应的联合建模可能具有参考价值。该假设依赖明确的干预、结局及干预前协变量，并需核对混杂控制与处理组重叠条件；EEG 表征需另行设计，低信噪比、被试差异及小样本可能使倾向估计和伪效应不稳定。可先在具有已知处理效应、可控制组间偏差的 EEG 特征半合成数据上，与分别拟合两组响应函数的方法比较。已有 EEG 相关工作尚未检索确认。

    阅读价值：值得核对 DESCN 如何联合建模处理倾向、响应与潜在处理效应，以及伪处理效应预测如何缓解组间样本不平衡；其效果目前仅有摘要中的定性报告，尚不能据此判断 BCI 适用性。

  3. OpenReview · State space models74

    DESCN：用于个体处理效应估计的深度全空间交叉网络

    基于摘要分析。该研究针对因果推断中的个体处理效应（ITE）估计，提出 Deep Entire Space Cross Networks（DESCN），重点处理处理组与对照组的分布差异及样本量不平衡。原论文主要面向电商等应用，并非 EEG 解码或 BCI 方法。 机制上，传统方法在处理组和对照组各自的样本空间中分别学习响应函数；DESCN 则通过交叉网络，以多任务学习方式整合处理倾向、响应及潜在处理效应信息。作者提出在整个样本空间内联合学习处理函数与响应函数，以应对处理偏差，并引入中间伪处理效应预测网络以缓解样本不平衡。具体损失形式、伪处理效应的构造及其训练方式，摘要未展开，尚未验证；这种设计能在何种因果识别假设下控制偏差，也需核对全文。 作者报告，在一个合成数据集和一个来自电商优惠券发放业务的大规模生产数据集上，DESCN 提高了 ITE 估计准确性与 uplift 排序表现。摘要未提供具体指标数值、数据划分、对照方法或统计不确定性，因此不能据此判断提升幅度与适用范围。作者称已公开生产数据样本及源码，并将该数据描述为据其所知首个大规模公开的有偏处理数据集；公开范围、使用条件及这一优先性声明尚未核实。 平台推测（待验证）：若 EEG 研究的目标是估计干预对个体结局的影响，且具备处理分配、协变量及结局记录，可考虑复用联合建模处理倾向与响应的框架；它并不直接解决一般 EEG 分类中的跨被试偏移。适配时需另行设计 EEG 特征模块，并检查未测混杂、处理组与对照组重叠不足，以及低信噪比和小样本导致的伪效应误差。一个可检验的小实验是在保留真实 EEG 协变量结构的半合成数据上设定已知处理效应，比较该框架与分别学习两组响应的基线，并逐步改变处理比例与噪声水平。该实验仅为迁移假设，已有 EEG 相关工作尚未检索确认；原文实验协议、消融及统计信息尚未验证。

    阅读价值：值得核对 DESCN 如何联合建模处理倾向与响应，并利用伪处理效应缓解样本不平衡；其 ITE 估计与 uplift 排序收益仍需结合全文实验协议验证。

9月1日周二
  1. OpenReview · State space models81

    一种超图概率图模型研究

    基于摘要分析。本文研究概率图模型的表示与因果干预问题，提出基于有向无环超图的 Bayesian hypergraphs 框架，旨在比 Bayesian networks 和 LWF chain graphs 表达更细粒度的概率分解及交互结构。 核心机制是以超图承载概率依赖关系。作者指出，有向无环超图的结构空间比链图更大，并主张该框架可提供更简单、计算效率更高的分解与干预程序。该框架还允许直接以图结构表示 Noisy-OR 等因果交互模式，无需额外标注。上述效率与表达能力主张的具体适用条件，仍需核对全文。 理论贡献包括定义 Bayesian hypergraphs 的全局、局部和成对 Markov 性质，并证明这些性质在何种条件下等价；同时将 LWF chain graphs 的因果解释扩展至 Bayesian hypergraphs，给出相应干预公式和图判据。摘要未提供定理的完整假设、算法复杂度或实证评估细节，相关条件与实验信息尚未验证。 平台推测（待验证）：若 EEG 分析目标是刻画多个变量共同参与的条件依赖或因果交互，超图表示可能提供不同于普通图的建模工具；但本文不是 EEG/BCI 方法，概率依赖表达能力也不等同于因果可识别性。迁移前需明确变量定义、观测与干预条件，并评估低信噪比、小样本及跨被试差异对结构估计的影响。已有 EEG 相关工作尚未检索确认；当前材料不足以据此提出具体 BCI 复现实验。

    阅读价值：值得关注其以有向无环超图表达更细粒度概率分解与因果交互的理论路径，尤其是 Markov 性质的等价条件及干预图判据；计算效率主张和 EEG/BCI 适用性尚未验证。

1月1日周三
  1. OpenReview · Representation learning71

    用于个体处理效应估计的新型表示学习方法：Split Covariate Representation Network

    基于摘要分析。本文研究个体处理效应（Individual Treatment Effect，ITE）估计中的反事实结果不可观测与混杂问题，提出协变量拆分方法及 Split Covariate Representation Network（SCRNet），旨在根据不同类型变量学习用于 ITE 估计的表示。 核心动机是：作者认为，既有部分基于潜在结果框架的表示学习方法将所有协变量视为混杂变量，但实际特征中还可能包含工具变量、调整变量及无关变量。SCRNet 的方法切入点是区分这些变量的作用，而非统一按混杂因素处理。摘要没有说明变量类别如何确定、拆分是否依赖先验知识或监督，以及网络结构、损失函数和训练流程，这些机制细节尚未验证。 作者报告，在半合成数据集 IHDP 和真实世界数据集 Jobs 上，其方法优于所比较的先进方法；但摘要未提供评价指标、数值、数据划分、基线名称及不确定性信息，因此不能据此判断优势幅度或跨协议可比性。实验协议、消融及统计信息尚未验证。 本文主要研究对象是因果推断中的处理效应估计，并非 EEG 解码或 BCI 控制。其与 BCI 的直接对应关系尚未建立，不应将一般预测特征的拆分等同于因果变量识别，也不能将所述数据集上的结果视为 EEG/BCI 有效性的证据。相关 EEG 工作尚未检索确认。复现前需核对协变量拆分依据、因果识别假设，以及半合成与真实数据各自的评价方式。

    阅读价值：值得核对 SCRNet 如何区分混杂变量、工具变量及其他协变量，以及这种区分对个体处理效应估计的贡献；摘要所述性能优势尚需结合划分方法、评价指标和对照设置验证。