arXiv cs.AI· Isacco Beretta·· 12 小时前AI 评分18
从因果视角看决策与动力系统：迈向更真实的变化模型
Towards Realistic Models of Change: A Causal Perspective on Decision-Making and Dynamical Systems
AI 导读
一篇比萨大学人工智能国家博士项目 2026 年的博士论文从因果视角探讨决策与动力系统建模。论文第一部分重新审视算法追索（algorithmic recourse），主张采用更现实成本函数、以因果语言重构问题，并在策略评估中引入时间维度；第二部分将因果干预与因果效应推广到离散和连续随机过程，证明过程均衡及其受干预后的变化可关联到结构因果模型（SCMs），并将其视为底层时序动态的压缩表示。
正文 · AI 翻译
摘要：近几十年来，在大规模数据集和改变了科学实践的数据驱动方法的推动下，统计学习取得了显著进展，但它仍面临一个关键局限：难以泛化到未见过的数据之外，在分布偏移下往往失效。因果性提供了一种有前景的解决方案：因果模型关注变化的底层机制而非表面关联，从而能够在外部干预下进行稳健推理。这使得系统不仅能够从数据中学习，还能对假设情景进行推理、适应新环境并支持更好的决策。本论文分两部分探讨这两种方法如何相互启发。
第一部分考察算法追索，即确定个体可以做出哪些改变以推翻不利决策。我们针对既有框架提出一种替代视角，主张采用更符合现实成本函数、以因果术语重新表述问题，并在策略评估中纳入时间维度。
第二部分聚焦动力系统，将因果干预和因果效应的概念扩展到离散和连续随机过程。我们表明，这些过程的平衡态及其在干预后如何变化，可以与结构因果模型（SCM）相联系，后者被视为底层时间动态的压缩表示。我们论证了此类时间因果模型的相关性，因为在现实场景中，行动产生效果需要时间。
两部分的共同目标是实用性的：这些模型的效用、稳健性和可信度关键取决于它们能否真实地表示底层现象。
| 评论： | 博士论文，比萨大学（国家人工智能博士项目），2026 年。175 页 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.28803 [cs.LG] |
| （或 arXiv:2610.28803v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28803 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Isacco Beretta [查看邮箱]
[v1]
2026 年 10 月 20 日星期二 18:26:21 UTC（21,481 KB）
来源：arXiv cs.AI · arxiv.org