解耦表示用于因果认知

复杂适应性智能体通过解决需要理解因果信息以了解智能体-环境系统中元素之间因果关系的问题来持续实现其目标。因果认知研究探讨了人类和非人类动物在因果学习与推理中的主要特征，提供了基于任务表面因果理解水平来讨论认知绩效的概念框架。尽管已采用形式化的干预性因果模型，包括因果贝叶斯网络，但心理学和行为学研究中的因果认知尚未提供一种操作化智能体获取世界因果理解的方式。机器学习和强化学习研究中的因果问题，尤其是以解耦作为构建因果表示的候选过程，代表了一种具体尝试，旨在设计能够阐明自然因果认知内在工作机制的因果人工智能体。在本工作中，我们将这两个领域的研究连接起来，构建一个统一的框架，用于因果认知，为动物认知研究提供计算视角，并为开发用于因果强化学习的新型算法提供启发。