与结构无关的因果表示学习

arXiv:2610.00968v1 公告类型：新 摘要：因果表示学习旨在利用数据生成背后的因果结构来发现稳健特征。现有方法要求预先指定因果结构，但不同结构需要从根本上不兼容的不变性约束，而结构设定错误会导致学得的表示丢弃预测信息。我们提出 SaCRL，这是一种在无需先验结构知识的情况下，同时识别因果结构并学习相应不变表示的框架。我们的方法利用基于 HSIC 的违背度量，在候选不变性上进行软优化，将结构选择形式化，并通过自适应权重自动聚焦于可实现的结构。我们为结构识别提供了理论保证，包括在随机特征近似下的保证、不变性满足保证以及分布外泛化保证。在实证方面，SaCRL 在合成和半合成贝叶斯网络基准上恢复了真实结构；在 Colored MNIST 上优于固定不变性基线；在三个 DomainBed 基准（PACS、VLCS、OfficeHome）上取得了当前最佳精度；并且在结构设定错误和环境多样性有限的情况下表现出平稳退化。代码可在以下地址获取：https://github.com/ArmanBehnam/sacrl。