基于干预数据的测试时因果结构学习
机器学习
2026-02-24 v1 人工智能
摘要
监督因果学习在因果发现中显示出前景，但在面对干预情景的泛化时常常困难，尤其是当干预目标未知时。为此，我们提出 TICL（Test-time Interventional Causal Learning），一种新方法，融合测试时训练与联合因果推断。具体地，我们设计了一种自增强策略，以生成测试时的实例特定训练数据，从而有效避免分布偏移。进一步地，通过集成联合因果推断，我们构建了受 PC 方法启发的两阶段监督学习方案，有效利用自增强的训练数据，同时确保理论可识别性。在 bnlearn 基准测试中，TICL 在因果发现和干预目标检测等多个方面显示出优越性。
引用
@article{arxiv.2602.19131,
title = {Test-Time Learning of Causal Structure from Interventional Data},
author = {Wei Chen and Rui Ding and Bojun Huang and Yang Zhang and Qiang Fu and Yuxuan Liang and Han Shi and Dongmei Zhang},
journal= {arXiv preprint arXiv:2602.19131},
year = {2026}
}