arXiv cs.AI· Tatiana Boura, Robert Peharz·· 11 小时前AI 评分24
面向结构因果模型的半解析推理框架
A Semi-Analytical Inference Framework for Structural Causal Models
AI 导读
研究者提出一种直接在结构因果模型（SCM）上做消息传递的半解析推理框架，将结构机制与概率密度统一表示在有限维函数空间中。前向传播结合 LOTUS 的数值实现，传播密度由样条投影从 LOTUS 矩中恢复，同一表示自然给出用于条件化的反向消息传递。
正文 · AI 翻译
摘要：结构因果模型（SCMs）为观察性、干预性和反事实推理提供了一个有原则的框架，而所有这些推理都依赖于概率推断。现有框架要么将 SCMs 转换为其他可处理的表示形式，要么依赖具有表达力的生成模型进行近似推断。我们则通过将结构机制和概率密度表示在一个共同的有限维函数空间中，直接在 SCM 上使用消息传递方案进行推断。前向传播结合了无意识统计学家定律的数值实现，而传播的密度则通过从 LOTUS 矩进行样条投影来恢复。相同的表示自然地产生用于条件化的反向消息传递，从而为因果推断提供了一个统一的框架。使用张量积 B 样条基，所得算法通过数值积分和线性代数来表达推断，而无需显式构造条件分布。在随机生成的连续 SCMs 上的实验表明，该方法能够准确近似蒙特卡洛参考解，并随着基分辨率的提高而系统性改善。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.28103 [cs.AI] |
| （或 arXiv:2610.28103v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.28103 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Tatiana Boura [查看电子邮件]
[v1]
2026年10月20日星期二 12:17:37 UTC（1,742 KB）
来源：arXiv cs.AI · arxiv.org