因果与传统表征学习的对话：统一框架下的相互益处
机器学习
2026-05-21 v1
摘要
因果表征学习（CRL）和传统表征学习大致沿着不同的轨迹发展。传统表征学习主要受应用和经验目标的驱动，而CRL更关注理论问题，特别是可识别性。这两种领域在术语、问题表述和评估方面的差异，导致了沟通障碍，甚至引发不必要的重复工作。本文认为，这两种领域应当展开对话而非被视为独立范式。为此，我们引入一种统一表述：将表征学习表述为两个组成部分：任务组成部分规定了所需保留的信号，约束组成部分规定了潜在空间的结构。基于此表述，两者的收益是双向的：CRL提供理解结构化潜在约束何时有用或必要的理论工具，传统表征学习提供关于任务设计和目标选择的实践见解，以改进CRL方法的开发。为说明这种相互作用，我们实验性地研究不同任务组成部分如何影响CRL方法在不同结构化约束下的行为。CausalVerse上的实验结果表明，因果约束的有效性取决于其搭配的任务类型。
引用
@article{arxiv.2605.21058,
title = {A Dialogue between Causal and Traditional Representation Learning: Toward Mutual Benefits in a Unified Formulation},
author = {Yan Li and Yuewen Sun and Shaoan Xie and Gongxu Luo and Yunlong Deng and Kun Zhang and Guangyi Chen},
journal= {arXiv preprint arXiv:2605.21058},
year = {2026}
}