超越全局单调性的反事实可识别性：非单调三角结构因果模型
机器学习
2026-05-07 v1 统计方法学
摘要
结构因果模型为干预和反事实提供了统一的语义, 但大多数可识别性结果都依赖于如全局单调性等限制性假设, 这在具身交互中常被违反, 因为相同的外生扰动可在不同的接触情境下引起相反的响应. 我们探讨在放弃全局单调性后, 仍具备什么结构才能实现可识别性. 我们引入非单调三角结构因果模型(NM-TM-SCM), 保留三角递归, 但将全局单调性替换为机制级可逆性和情境独立的逆传输. 我们证明这些条件等价于外生同构, 并导致完全反事实可识别性; 我们还给出一个反例表明仅有局部可逆性是不够的. 我们在 CausalInverter 中实现了该理论, 包含三角可逆层、方向门和传输稳定性正则化. 在合成非单调机制上, 结构偏置随着非单调性的增加 yields 系统性的反事实收益. 在 MuJoCo Door 任务上, 我们实现了完美的事件级反事实恢复, 相较于 Transformer 基线降低了连续角度误差, 并在恢复稳定性方面显著优于 Transformer 和条件流预测器. 在 MuJoCo Push 任务上, 由于非单调性较弱, 同样的低数据预测器保持竞争力或更好, 这与偏差-方差边界相符. 这些结果识别了介于全局单调三角模型与无约束黑盒世界模型之间的更广可识别范畴.
引用
@article{arxiv.2605.04413,
title = {Counterfactual identifiability beyond global monotonicity: non-monotone triangular structural causal models},
author = {Pengcheng Tan and Jiang Chen and Dehui Du},
journal= {arXiv preprint arXiv:2605.04413},
year = {2026}
}