FlexCausal：基于结构流先验和流形感知干预的灵活因果解耦
机器学习
2026-01-30 v1
摘要
因果解耦表征学习（CDRL）旨在从观测数据中学习并解耦低维表征及其潜在因果结构。然而，现有的解耦方法依赖于均值场近似，即采用对角后验协方差，从而使所有潜维度之间失去相关性。此外，这些方法常假设外生噪声为各向同性高斯先验，无法捕捉现实因子中常见的复杂非高斯统计特性。因此，我们提出FlexCausal，一种基于块对角协方差变分自编码器的新型CDRL框架。FlexCausal利用因子化流式先验来真实建模外生噪声的复杂密度，从而有效地将因果机制的学习与分布统计的学习解耦。通过融合监督对齐目标与反事实一致性约束，该框架确保所学习的潜子空间与真实因果关系之间实现精确的结构对应。最后，我们引入一种流形感知的相对干预策略，以确保高保真生成。在合成数据和真实数据集上的实验结果表明，FlexCausal显著优于其他方法。
引用
@article{arxiv.2601.21567,
title = {FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions},
author = {Yutao Jin and Yuang Tao and Junyong Zhai},
journal= {arXiv preprint arXiv:2601.21567},
year = {2026}
}