arXiv cs.AI· Frederik Hytting J{\o}rgensen, Luigi Gresele, Sebastian Weichwald·· 11 小时前AI 评分31
因果模型与因果表征究竟“因果”在何处？
What is causal about causal models and representations?
AI 导读
该研究提出一个形式化框架，将因果模型与它试图描述的数据生成过程分离，并形式化“动作到干预”的解释映射。框架内证明了一个不可能性结果：没有任何解释能同时满足一组理想性质且保持非循环；在循环解释下，任何拟合观测分布的模型都具备干预有效性，从而无法被实验证伪。作者分析了若干非循环替代方案，并讨论其对证伪、因果发现、因果表征学习与因果抽象的启示。
正文 · AI 翻译
摘要：因果贝叶斯网络常被称为因果的，因为它们支持关于干预的推理。然而，干预是在数学模型中定义的，而由此产生的模型预测则关乎现实世界中行动的效果。因此，因果模型是否以及如何对行动的效果做出可证伪的预测，取决于行动如何被解释为干预。这需要明确哪些行动对应哪些干预，而这一步常常被隐含处理。我们开发了一个形式化框架，将因果模型与其旨在描述的数据生成过程分离，并形式化地将行动与干预联系起来的解释。在此框架内，我们证明了一个不可能性结果：没有任何解释能够同时满足一组理想性质而又保持非循环。在循环解释下，任何拟合观测分布的模型都是干预有效的，因此没有任何实验能够证伪它。我们分析了几种非循环的替代方案，并讨论了对证伪、因果发现、因果表示学习和因果抽象的影响。更广泛地说，我们的框架提供了一种方法，使关于行动与干预之间联系的假设变得明确，并对因果模型的经验内容进行形式化推理。
| 主题： | 机器学习（stat.ML）；人工智能（cs.AI）；机器学习（cs.LG）；统计理论（math.ST） |
| 引用为： | arXiv:2501.19335 [stat.ML] |
| （或 arXiv:2501.19335v3 [stat.ML] 为此版本） | |
| https://doi.org/10.48550/arXiv.2501.19335 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Frederik Hytting Jørgensen [查看电子邮件]
[v1]
2025年1月31日星期五 17:35:21 UTC（155 KB）
[v2]
2025年2月3日星期一 17:24:50 UTC（155 KB）
[v3]
2026年10月16日星期五 05:02:31 UTC（160 KB）
来源：arXiv cs.AI · arxiv.org