因果抽象网络:一个层论框架
Networks of Causal Abstractions:A Sheaf-theoretic Framework
https://arxiv.org/pdf/2509.25236
摘要
因果人工智能的一个核心挑战是:如何有原则地协调来自分布式智能体的多种不完美且主观的因果视角,这些智能体对环境的访问有限且异质。该问题此前很少得到形式化处理,因为现有框架假设存在一个单一的共享全局因果模型。本文引入因果抽象网络(CAN),这是一个通用的层论框架,用于在一组因果模型混合(MCMs)之上进行表示、学习和推理——该类统一了若干现有的上下文依赖因果机制模型。层论为这一任务提供了自然的基础,提供了一个严格的框架来连贯地对齐分布式因果知识,而无需显式的因果图、功能机制、干预数据或联合采样的观测。
在理论层面,我们给出了 MCM 的范畴论表述,并刻画了 CAN 的关键性质,包括一致性和光滑性。在一致性下,我们建立了必要且充分的条件: ( i ) 全局截面的存在性,这与相关联的联络拉普拉斯算子的谱性质有关; ( ii ) 因果知识在 CAN 上的扩散收敛到全局截面空间。在方法论层面,我们利用因果抽象的复合性,将一致 CAN 的学习分解为网络边上的局部问题,通过所提出的混合 calsep 算法将我们先前关于高斯变量的工作扩展到高斯混合模型。我们在合成数据上以及通过一个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 的投资组合优化和反事实推理。
关键词:因果抽象,混合因果模型,网络层,层拉普拉斯,结构因果模型。
1 引言
因果人工智能(Causal AI,Bareinboim,2025)是一种新兴范式,旨在实现可解释性、可信性以及对领域偏移和分布偏移的鲁棒性。与仅基于观测到的关联做出决策的预测式人工智能不同,因果人工智能旨在基于因果关系进行干预、推理和模拟替代情景。例如,一个推荐治疗方案的医疗人工智能可以超越 " 具有症状 X 的患者通常对药物 Y 反应良好 "(预测式)的层面,转而评估 " 如果我们给这位特定患者使用药物 Y,对康复的预期因果效应是什么?如果我们当初选择药物 Z 又会怎样?"(因果式)。因果人工智能的核心是结构因果模型(SCM,Pearl,2009)框架,其中因果变量通过因果机制——即来自其他变量的传入因果关系——来描述。SCM 能够支持 Pearl 因果层级(PCH,Pearl and Mackenzie,2018)的三个层级。在第一层级(L1:观察),人工智能智能体——被视为任何能够与环境交互的自然或人工实体——被动地观察数据并学习统计关联,而不进行真正的因果推理。例如,它可能学到 " 吸烟者更可能患上肺部疾病 ",但无法区分相关与因果。在第二层级(L2:行动),智能体主动对 SCM 进行干预,就像孩子通过试错学习一样,以揭示因果关系。例如,它可以模拟 " 如果我禁止吸烟会发生什么?" 并观察下游变化。最后,第三层级(L3:想象)是反事实的:智能体可以回溯性地追问 " 如果我当初采取不同的行动会怎样?" ——例如," 如果这位患者接受了不同的治疗,他们会康复得更快吗?" 因此,一个 SCM 诱导出三个分布族,即 L1 的观测分布、L2 的干预分布和 L3 的反事实分布,我们将它们统称为其因果知识(CK)。
在因果人工智能的经典设定中,环境由单一的基准真相 SCM M*(Bareinboim,2025)所支配。每个智能体在 PCH 的不同层级上与这一环境交互——通过 M* 进行观察、干预和想象。在这一框架中,所有其他智能体与这一交互无关,因此不产生外部影响。然而,作为人类,我们知道因果关系不仅仅是揭示客观真相,而且——可以说主要是——构建关于世界如何运作的主观模型——这些模型不断被社会互动所塑造。例如,个人可能拒绝参与随机临床试验,不是因为统计证据,而是因为亲属或朋友从类似治疗中经历了负面结果(溢出效应,Chernozhukov et al.,2024)。在信号处理等应用领域中,这一经典假设同样不现实。在这一设定中,智能体是配备本地处理和通信能力的分布式计算实体,在网络拓扑上交互。根据应用不同,这些智能体可能对应于自动驾驶车辆、机器人或嵌入基础设施中的无线设备。每个智能体通过其传感器从同一系统获取测量——因此是从其自身视角并以相关分辨率获取——在本地处理信号,并通过网络与其他智能体交换信息。这些例子——以及许多其他例子——激发了对比较、整合或抽象局部 SCM 的原则性方法的研究。
在这一追求中,考虑到智能体人工智能核心的协作维度,D'Acunto 和 Battiloro(2025)提出了 "SCM 作为世界的主观且不完美的表征,不能与其所沉浸的关系网络相分离 "。这种转变开辟了一个新颖的因果知识相对框架,其中,与经典设定不同,智能体在与环境交互时既不能脱离其主观 SCM(智能体视角),也不能脱离其表示为网络的关系。因此,主观 CK 不仅可以通过环境改变,还可以通过与其他智能体的互动而改变。理想情况下,这种相互作用使个体智能体和整个人工智能系统都受益。此外,在这一相对框架中,寻求全局基准真相 M* 是不适定的:因果关系本质上是相对的,全局 CK 仅通过网络中主观 CK 的交互和对齐而涌现。核心挑战于是变为如何以原则性的方式比较、整合和抽象跨智能体的 CK,同时保留其局部模型中编码的因果语义。
层论方法——即网络层和余层——为这一挑战提供了自然的形式化答案。直观上,它们可以被视为将局部信息片段粘合为全局图景的形式化工具。在这里,主观 CK 对应于局部片段,而重叠部分的一致性确保了一个连贯的全局 CK 能够涌现。这一新颖的网络层和余层族可能开启这样的 AI 系统:其中全局 CK 从因果 AI 智能体的交互中归纳性地涌现,而智能体层面的局部 CK 则反过来可以被系统演绎性地塑造。我们的工作朝着这一方向迈进,研究了因果知识的网络层和余层的一个特定实例——称为因果抽象网络(CAN)——的理论、学习和应用方面。最近,Richens 和 Everitt(2024)以及 Richens 等人(2025)表明,不同的智能体能力,如任务泛化和领域泛化,可证明地需要不同程度的 CK。从这个立场来看,CAN 不仅与因果模型的局部维度特别相关,而且还因为 CK 的程度可以根据智能体在因果抽象框架内的目标进行调制。此外,CAN 与机制可解释性领域相关,因为最近的证据表明,大语言模型的内部状态可能通过相关因果模型的组合得到更好的解释(P ış lar et al.,2025)。
路线图。第 2 节通过回顾主要相关工作将我们的工作置于文献之中。第 3 节概述我们的贡献,第 4 节提供关于 SCM 框架、因果抽象、因果知识的网络层和余层以及高斯混合的基本背景。接下来,第 5 节和第 6 节呈现我们的理论贡献。具体而言,第 5 节统一了因果模型混合的主要现有框架,并提供了范畴论处理,表明其关联范畴构成了 D'Acunto 和 Battiloro(2025)引入的 SCM 范畴的自然扩展。然后,第 6 节从 CAN 的范畴论形式化(第 6.1 节)及其代数描述符(第 6.2 节)开始,接着分析 CK 传递的层论表示和算子(第 6.3 节),最后研究一致 CAN 的理论性质(第 6.4、6.5、6.7 和 6.8 节)。第 7 节呈现我们的方法论贡献。它首先形式化了从一组假定相对于后者光滑的概率分布中学习一致 CAN 的问题,然后详述了我们求解器的数学推导(第 7.1 和 7.2 节)。此外,第 8 节报告了关于 CLCA 和 CAN 学习的合成数据结果(第 8.1 和 8.2 节)。第 9 节展示了我们在金融领域的应用贡献,从构建基于 CAN 的交易系统开始,然后处理 CAN 学习(第 9.1 节)和推理任务(第 9.2 节)。第 10 节讨论了所提出框架的显著特征以及我们工作的局限性。最后,第 11 节得出一些结论并概述未来研究方向。
2 相关工作
我们建立在范畴论(Mac Lane, 2013)的通用语言之上,该语言以公理化方式聚焦于同一给定范畴中对象之间的一致映射;在我们的情形中,即因果模型。我们在(D'Acunto et al., 2025)的语境下开展工作,具体而言,不假设: ( i ) SCM 的完整规范; ( ii ) 其因果图的知识; ( iii ) 其函数形式; ( iv ) 干预数据的可用性;或 ( v ) 联合采样的观测数据。因此,我们扩展了 D'Acunto 等人(2025)以及 D'Acunto 和 Battiloro(2025)对 SCM 的范畴论处理,即一种将 SCM 的语法(即结构)与语义(即 CK)分离的函子式表示。受 Fong(2013)关于范畴概率论的开创性工作启发,其他范畴论形式化方法利用复制 - 丢弃和马尔可夫范畴来提供因果模型的弦图描述(Rischel, 2020; Jacobs et al., 2021; Fritz and Klingler, 2023; Lorenz and Tull, 2023)。这些工作更适用于涉及离散分布的确定性因果模型。相反,我们的工作聚焦于具有连续概率分布的概率因果模型。更近期地,Mahadevan(2025)引入了拓扑斯因果模型,它推广了先前的范畴论方法以及 SCM(Pearl, 2009)和潜在结果框架(Imbens and Rubin, 2015)。
如同在 D'Acunto 和 Battiloro(2025)中一样,因果抽象框架对于确定 SCM 之间的映射至关重要。更详细地说,我们采用函数式 α - 抽象框架(Rischel, 2020; Rischel and Weichwald, 2021),聚焦于构造性线性因果抽象(CLCAs, Massidda et al., 2024),并利用语义嵌入原理(SEP, D'Acunto et al., 2025)。我们的选择是根据上述五个 " 非假设 " 做出的,这些假设刻画了我们的设定。另一种函数式框架是 ( τ , ω ) - 抽象(Rubenstein et al., 2017; Beckers and Halpern, 2019; Massidda et al., 2023),它依赖于 ( i ) 将低层模型的值映射到高层模型值的单一函数 τ,以及 ( ii ) 两个模型上干预之间的一个主观且保序的映射 ω。而在图层面,我们找到的是簇 DAG 框架(Anand et al., 2023; Xia and Bareinboim, 2024),它基于对低层因果变量的聚类。α、 ( τ , ω ) 和簇 DAG 框架之间的等价性最近由 Schootlink 和 Zennaro(2025)进行了研究。其他方法从范畴论视角研究因果抽象,将其建模为自然变换(Otsuka and Saigo, 2022; Lorenz and Tull, 2026)。这些方法建立在上述因果模型的弦图形式化之上,而我们的工作则基于(D'Acunto and Battiloro, 2025)中的定义 6。
CAN 框架综合了由 D'Acunto 和 Battiloro(2025)引入的 CK 的网络层和余层,当 ( i ) 主观因果模型诱导观测高斯混合时,并且对于每个节点 - 边关联关系, ( ii ) 当与节点相关联的模型是边两端点两个模型中最精细的时,限制映射是一个置换矩阵,否则是 CLCA 的转置(参见第 6.3 节)。前一点将 CAN 内的主观模型与最近发展的因果模型混合(MCMs, Geiger and Heckerman, 1996; Thiesson et al., 1998; Kumar et al., 2024; Varambally et al., 2024; Mameche et al., 2025)联系起来,其中生成过程是不同因果分配的混合。值得注意的是,在我们的框架中,处理本身即为 MCM 的主观模型的能力不仅增加了灵活性,使框架更广泛适用,而且也是一个自然的要求,因为为 CAN 定义的扩散算子产生高斯混合,这是经典 SCM 无法捕捉的(参见注 15)。
从理论视角来看,我们的工作与 Ghrist 和 Riess(2022)相关,后者发展了取值于格范畴的细胞层,这是一种类似于概率测度凸空间(Fritz, 2009)的非阿贝尔设定。
在方法论层面,我们利用 Cai 和 Lim(2022)关于不同维度概率分布之间距离的工作,来形式化从一组高斯混合中学习一致 CAN 的问题(参见 P2)。此外,我们算法解中的交替优化方法与 Salmona 等人(2024)的方法相关,后者基于混合嵌入 Wasserstein 距离来学习高斯混合模型之间的最优传输方案。
最后,本文在理论、方法论和实验方向上扩展了我们先前的工作(D'Acunto et al., 2026)。虽然后者的主要贡献是在高斯设定下为 CAN 提供了一种计算高效的学习过程,但本文大幅拓宽了该方法的范围。具体而言,如第 3 节所详述,我们 ( i ) 进一步发展了支撑 CAN 的理论工具,并建立了实际上不依赖于高斯性的结果; ( ii ) 引入了 MIXTURE-CALSEP,它能够处理高斯混合这一实际相关的情形(参见注 15);以及 ( iii ) 提供了一个对层论方法具有更广泛兴趣的真实世界案例研究。
3 贡献
我们的贡献有三方面。从理论角度来看,我们首先统一了 MCMs 的主要现有定义,并给出了其范畴论表述。随后,我们再次在范畴论的通用语言下引入 CAN,并研究其性质。具体而言, ( i ) 由组合网络诱导的代数描述符; ( ii ) 决定 CK 扩散的边界、上边界和拉普拉斯算子; ( iii ) CAN 的一致性、其与 SEP 的关系,以及一致 CAN 的联络拉普拉斯算子的谱性质; ( iv ) 一致 CAN 的全局截面——通俗地说,即为网络的每个节点分配 CK 的一致指派,从而在主观 MCM 之间实现完美对齐——将其存在性与联络拉普拉斯算子的核维度联系起来,刻画其统计结构,并建立 CK 在 CAN 上的扩散收敛到全局截面空间; ( v ) 一组概率分布相对于一致 CAN 的光滑性,根据应用设定,通过信息论度量或 φ - 散度进行量化。
从方法论角度来看,我们形式化了在给定一组高斯混合(假定其相对于后者光滑)的情况下学习一致 CAN 的问题。我们的表述是一个在边集上的组合问题,具有边特定的对齐约束,等价于局部 CLCA 学习任务。对于其中每一个任务,给定一个低层混合(来自详细的 MCM)和一个高层混合(来自抽象的 MCM)作为输入,二者通过 CLCA 相关联,我们提出了 mixture-calsep 算法,该算法基于结构先验知识联合学习 ( i ) 输入混合各分量之间的耦合,以及 ( ii ) 它们之间的 CLCA。因此,作为副产品,我们的工作也为从数据中学习因果抽象的现有文献做出了贡献。针对 CAN 学习问题所提出的解决方案是一种基于推论 24 和 CLCA 复合性的高效搜索过程。该过程采用 mixture-calsep 来求解边特定问题。我们在合成数据上进行了一系列实验来测试我们的方法,并在不同抽象程度的 CLCA 学习任务上与 D'Acunto 等人(2025)和 D'Acunto 等人(2026)中的基线进行了比较。总体而言,所提出的方法表现出具有竞争力的性能和良好的恢复能力。
最后但同样重要的是,从应用角度来看,我们展示了金融领域的一个用例,其中我们使用 CAN 框架构建了一个包含 5 个智能体的简单交易 AI 系统。从两个聚合层级的真实行业投资组合收益出发,我们显式构建了一个基准真相 CAN,编码了跨智能体的 CLCA 关系。然后,我们表明,使用我们的学习过程可以从诱导的全局截面中以高精度恢复该 CAN。此外,我们评估了在下游均值 - 方差投资组合分配任务中使用学习到的(而非规定的)CLCA 映射的影响。最后,我们考虑了一个反事实推理任务,其中,给定从一组投资者那里观察到的投资组合分配(这些投资者在与基于 CAN 的交易系统相同的投资领域中操作),我们推断出最粗粒度智能体的因果知识,该知识诱导出一个反事实全局截面,在该截面下,观察到的分配在均值 - 方差意义上是最优的。在这一设定中,我们研究了所得反事实全局截面如何随交易系统的风险厌恶参数变化,并量化了随着风险厌恶变化,系统自身最优分配偏离投资者观察到的分配的程度。
4 背景
本节回顾我们工作所依赖的主要工具。我们不着重技术细节,而是强调每个框架在我们工作中所扮演的角色。形式化定义、理论结果和证明均参见相应的引用文献。
范畴论。范畴论(Mac Lane, 2013)是纯数学的一个分支,通过对象和态射来研究抽象结构之间的关系。由于该理论以公理化方式聚焦于关系,其通用语言便于从第 1 节所引入的单一因果模型中心设定转向相对设定。直观地说,正如 Perrone(2024, 第 1 章)所精妙讨论的那样,我们可以将范畴视为结构化对象——例如向量空间、可测空间——以及它们之间保持其结构的可复合箭头(态射)——例如线性映射、可测映射——并满足某些公理(单位性和结合性)。在本工作中,SCM、其干预状态和抽象均被视为一个范畴中的对象,通过保持结构的映射相连接,从而确保在模型被比较、组合或整合时因果语义得以保持。对我们工作而言,范畴论视角的一个关键优势是复合性:复杂的因果系统可以通过以原则性方式组合较简单的组件来构建和分析。这一性质对于推理因果 AI 智能体网络至关重要,因为在这些网络中,局部因果知识必须在跨智能体和跨尺度上保持一致关联。
结构因果模型。一个 SCM M(Pearl, 2009)由内生变量、捕捉潜在影响的外生变量以及构成无环方程系统的结构指派组成,该方程系统描述每个内生变量如何由其父节点和外生变量生成。SCM 通常表示为有向无环图(DAG),其中节点对应变量,边编码直接因果关系。
SCM 的正式范畴论重构,以及干预和抽象,已在(D'Acunto 和 Battiloro, 2025; D'Acunto et al., 2025)中得到发展。本质上,范畴论 SCM 是一个从语法范畴到语义范畴的箭头——形式上是函子。前者由两个对象和它们之间的一个箭头组成,后者是由混合可测映射集合相关联的外生变量和内生变量的概率空间。然后,范畴论 SCM 将语法范畴的对象映射到概率空间,并将唯一的箭头映射到混合可测映射的集合。这种重构也足够通用,可以涵盖马尔可夫和半马尔可夫 SCM,并将在第 5 节扩展到 MCM 情形,为第 6 节中的层论构造提供基本的范畴论语言。
因果抽象。在许多应用中,同一现象可以在多个粒度级别上建模。因果抽象(CA)形式化了此类模型之间的原则性映射,允许人们在保持因果意义的同时关联低层和高层 SCM(Rubenstein et al., 2017; Beckers and Halpern, 2019; Rischel, 2020)。在我们的工作中,我们利用 α - 抽象框架(Rischel, 2020)。
正如第 6.5 节所详述,类似的光谱交织(spectral interlacing)对于不同维度的高斯混合模型之间的 CLCA(构造性线性因果抽象)也成立。
因果知识的网络层与网络上同层(Network sheaves and cosheaves of causal knowledge)。为了形式化多个因果 AI 智能体之间的交互,我们采用了 D'Acunto 和 Battiloro ( 2025 ) 提出的因果知识网络层与网络上同层框架。非正式地说,这些构造可以被认为是将 CK(因果知识)分配给网络的节点和边,其中节点 - 边关联关系(incidence relations)对应于保持 CK 因果含义的映射。直观上,网络层(network sheaf)描述了节点级别上各个智能体所拥有的局部因果知识如何被移植(ported)到边级别的智能体上。反过来,网络上同层(network cosheaf)捕获了边级别上共享或聚合的因果知识如何被传播回节点级别的智能体。它们共同形式化了局部视角与全局一致性之间的双向相互作用,这正是相对因果框架(relative causal framework)的特征。
我们的模型为图中的每个节点和边分配一个概率分布(通常是高斯混合模型)——无论是观测性的、干预性的还是反事实的——由局部 SCM(结构因果模型)诱导产生。总体上,节点上的分配构成一个 0- 上链(0-cochain),边上的分配构成一个 1- 上链(1-cochain)。此设置中的一个核心概念是全局截面(global section),它代表了在整个网络上概率分布的一致分配,且不破坏局部规则。当这种一致性成立时,全局因果知识就被认为是从不同智能体间主观和局部因果知识的交互与对齐中涌现出来的。精确的范畴构造及其性质在 ( D'Acunto and Battiloro, 2025 ) 中进行了开发,并在下文需要时予以回顾。
重要的是,高斯混合模型在分量置换的意义上是可识别的(Yakowitz and Spragins, 1968)。此外,在温和的正则性条件下,它们被公认为是概率分布的通用逼近器。为了比较由因果模型诱导的高斯混合模型,我们依赖于混合 -Wasserstein 距离(mixture-Wasserstein distance),这是一种针对高斯混合模型的度量(Delon and Desolneux, 2020; Chen et al., 2018)。技术细节推迟到第 7 节讨论。
5 范畴论混合因果模型
正如第 3 节所述并在注 15 中进一步阐明的,在我们的框架中,处理本身即为因果模型混合的主观因果模型的能力,不仅提供了更大的灵活性,而且也是一种自然的需求,因为第 6.3 节中定义的扩散算子会产生概率分布的混合,而这是 SCM(结构因果模型)无法捕获的。
因果模型的混合可以被认为是一种生成模型,其中内生变量的联合分布不是由单一的因果机制支配,而是由独立 SCM 的凸组合支配,这些 SCM 由编码了(例如)上下文特定或亚群特定条件独立性的分类潜变量激活。在下文中,我们将这些分类潜变量称为激活变量(activation variables)。
多年来,因果模型的混合在多种应用语境下被赋予了多种名称,并呈现出不同的细微差别。其中包括贝叶斯多重网(Bayesian multinet,Geiger and Heckerman, 1996)、多 DAG(multi-DAG,Thiesson et al., 1998)、DAG 混合(mixture of DAGs,Kumar et al., 2024)以及因果混合模型(causal mixture model, CMM,Mameche et al., 2025)。尽管之前的模型倾向于对经典 SCM 进行泛化,但 CMM 与其他模型之间存在一些差异。一方面,其他模型假设数据有一个单一的全局激活变量——换言之,对内生变量的观测对应于激活特定 SCM 的潜全局变量的一个特定值——而 CMM 允许不同的局部激活变量同时影响不同的内生变量集合,以不同方式改变因果关系的强度,但不改变父集。另一方面,从结构的角度来看,CMM 更为严格,因为内生变量的父集不会随着局部激活变量的值而变化,局部激活变量仅改变因果关系的强度。相反,在贝叶斯多重网和多 DAG 中,因果结构会根据全局激活变量的值而变化。
然而,在所有模型中,在特定样本的内生变量上,都只有一个全局因果结构处于激活状态。利用这一观察结果,并在下文中采用混合因果模型(mixture causal model, MCM)这一术语,我们在下面形式化一个统一的定义。
6 因果抽象网络
本节介绍 CAN(因果抽象网络)。为清晰起见,我们概述以下主要步骤:
第 6.1 节使用范畴论形式化 CAN,从抽象函子和嵌入函子开始,并定义其图表示 G G;
第 6.2 节推导 G G 的代数描述符;
第 6.3 节将 G G 重新解释为 CK(因果知识)的网络层,从而能够分析 CK 流;
第 6.4 节研究 G G 何时是一致的,将一致性与 SEP(语义嵌入原则)联系起来并分析光谱特性;
第 6.5 节刻画 CK 在 CAN 上的扩散,包括其全局截面的存在性和统计特性;
第 6.6 节证明扩散过程收敛到一致 CAN 的全局截面空间;
第 6.7 节讨论塑造 CK 扩散的超参数的作用;
第 6.8 节引入关于 CAN 的平滑性概念,通过信息论度量或 ϕ ϕ - 散度进行量化。
为了便于理解最初可能显得非常抽象的概念,我们在本节中提供了贯穿始终的演算示例。
6.1 范畴论形式化
值得注意的是,在提出的层论(sheaf-theoretic)框架中,CA(因果抽象)关系既可以从给定的因果模型中推断出来(演绎方法),也可以通过强制网络层——即其拓扑结构和关联映射——来构建具有所需属性的因果 AI 系统(归纳方法)。此外,高层 CK(因果知识)也可以被嵌入到低层中。因此,为了对 CK 在网络层上的动力学进行建模,我们需要一个单一的函子性(functorial)对象,该对象同时捕获抽象和嵌入。在这里," 函子性 " 一词是在其范畴论意义上使用的:所研究的对象是一个从源范畴到目标范畴的箭头。
为了实现我们的目标,我们采用了 D'Acunto 等人 ( 2025 ) 中的一般设定,具体来说,不假设: ( i ) 因果模型的完整规范; ( ii ) 对其因果 DAG 的知识; ( iii ) 它们的函数形式; ( iv ) 干预数据的可用性;或 ( v ) 联合采样的观测数据。因此,我们在 CK 层面开展工作。
6.2 代数描述符
6.3 与 CK(因果知识)网络层及网络上同层的关系
注 15如上文反复指出的,扩散算子的作用会产生高斯混合。重要的是,即使每个节点处的初始概率分布本身是高斯分布(如标准高斯 SCM 中那样),这种情况也会发生。因此,为了开发一个既通用又广泛适用的框架,考虑由 SCM 混合产生的更广泛的高斯混合情况是至关重要的。
6.5 因果知识的扩散与 L 的全局截面
一致网络 G G 的一个关键性质是,其诱导的网络层存在一个定义良好的全局截面(global section)。形式上,全局截面满足:
6.6 向全局截面的收敛
6.7 超参数的作用
6.8 平滑性
值得回顾的是,在图信号处理 ( GSP ) ( Ortega et al., 2018 ) 以及取值于向量空间和线性映射范畴的网络层 ( Hansen and Ghrist, 2019a ) 中,平滑性是由拉普拉斯矩阵诱导的变分概念,与类狄利克雷能量(Dirichlet-like energy)相关,并且通常应用于确定性信号。相反,在 CAN(因果抽象网络)中,例如在公式 ( 41 ) 中,我们通过不同维度的概率分布在非欧几里得空间中的距离来衡量平滑性。简而言之,平滑性可以被认为是跨抽象层级的因果一致性的信息论度量。这是对 GSP 中通常采用的方法的重大推广。
此外,在 GSP 中,拉普拉斯算子支配着向全局状态的扩散,并且是一个对称算子。相反,在 CAN 中,平滑性量化了局部因果抽象的保真度。因此,平滑性在 CAN 中本质上是具有方向性的,反映了因果抽象的方向。而且,这种平滑性的概念提供了选择最适合应用的信息度量的灵活性:例如,库尔贝克 - 莱布勒 ( KL ) 散度可用于多元高斯分布,而对于高斯混合模型——由于 KL 散度不存在闭式表达式——人们可能需要采用替代方案,如混合投影 2-Wasserstein 差异 ( Cai and Lim, 2022; Salmons et al., 2024 ) ,或求助于近似技术 ( Hershey and Olsen, 2007 ) 。
7 学习因果抽象网络
。。。。。。。。。
原文链接:https://arxiv.org/pdf/2509.25236

