监督因果学习的测试时训练
机器学习
2026-05-29 v1 人工智能
摘要
监督因果学习（SCL）在将因果发现问题范式化为监督学习问题方面显示出前景。然而，它面临显著的跨分布泛化挑战。我们揭示了以往SCL实践的三个局限性：合成基准与真实数据之间存在显著的性能差距、对分布迁移的脆弱性，以及在组成性泛化上的失败，这些共同质疑了其在真实世界中的可行性。为此，我们提出了面向监督因果学习的测试时训练（TTT-SCL），这是一种新型框架，动态生成与特定测试实例显式对齐的训练集。我们表明TTT-SCL与基于评分的方法存在相关性，并设计一种基于经典评分函数的高效训练集生成模块。在合成基准、伪真实和真实数据集上的实验表明，TTT-SCL显著优于现有SCL方法和传统因果发现方法。
引用
@article{arxiv.2605.30015,
title = {Test Time Training for Supervised Causal Learning},
author = {Zizhen Deng and Jiaru Zhang and Rui Ding and Huang Bojun and Jinzhuo Wang and Qiang Fu and Shi Han and Dongmei Zhang},
journal= {arXiv preprint arXiv:2605.30015},
year = {2026}
}