因果抽象网络：一种层论框架

因果人工智能的一个核心挑战是对多个不完美且主观的因果视角进行原则性协调，这些视角源于对环境具有有限且异构访问权限的分布式智能体。这一问题鲜有形式化处理，因为现有框架假设存在单一的全局共享因果模型。本工作引入了因果抽象网络（CAN），这是一种通用层论框架，用于表示、学习和推理因果模型混合体（MCMs）集合——该类别统一了若干现有的上下文依赖因果机制模型。层论为该任务提供了自然基础，提供了一个严格的框架，能够在不要求显式因果图、函数机制、干预数据或联合采样观测的情况下，连贯地对齐分布式因果知识。在理论层面，我们给出了 MCMs 的范畴论表述，并刻画了 CAN 的关键性质，包括一致性与平滑性。在一致性下，我们建立了必要与充分条件：(i) 全局截面的存在性，这与相关联连接拉普拉斯算子的谱性质相关；以及 (ii) CAN 上因果知识扩散向全局截面空间的收敛性。在方法论层面，我们利用因果抽象的组合性，将一致 CAN 的学习分解为网络边上的局部问题，并通过提出的 MIXTURE-CALSEP 算法将我们先前关于高斯变量的工作扩展至高斯混合体。我们在合成数据上以及通过涉及多智能体交易系统的金融应用验证了该框架，展示了 CAN 恢复、基于 CAN 的投资组合优化以及反事实推理。