CausalVAE 作为世界模型的插件：面向可靠反事实动态
机器学习
2026-04-10 v1
摘要
在本工作中，引入 CausalVAE 作为潜在世界模型的结构模块，并附加到多样化的编码器-转换网络上。在报告的基准测试中，加入插件后保持了有竞争力的事实预测性能，并显著改进了干预感知的反事实检索，表明在分布迁移和干预下具有更强鲁棒性。最大的提升出现在 Physics 基准测试中：平均过 8 个配对基线后，CF-H@1 提升了 +102.5%。在 Physics 上代表性的 GNN-NLL 设置下，CF-H@1 从 11.0 提升至 41.0（+272.7%）。通过因果分析，我们展示所学习的结构依赖能恢复有意义的第一阶物理相互作用趋势，支持所学习潜在因果结构的可解释性。
引用
@article{arxiv.2604.07712,
title = {CausalVAE as a Plug-in for World Models: Towards Reliable Counterfactual Dynamics},
author = {Ziyi Ding and Xianxin Lai and Weiyu Chen and Xiao-Ping Zhang and Jiayu Chen},
journal= {arXiv preprint arXiv:2604.07712},
year = {2026}
}