xWhyL：因果交互式学习

解释是因果推理的核心，而认知科学早已确立，人类解释的驱动力本身就是学习因果关系的一种机制。尽管如此，人工智能领域基本忽视了从这些溯因信号中学习。可解释人工智能（XAI）日益借助因果模型生成解释，但反过来，解释能够为因果性研究带来什么作用，仍在很大程度上尚未得到探索。为填补这一空白，我们提出了 xWhyL，这是一种通过解释学习因果模型、连接因果性与 XAI 的形式化框架。我们构建了一套数学理论，将解释转化为一种可与观测数据互补的学习信号，并展示了该理论如何突破基于观测数据的因果发现的局限。由于解释可能源于错误信念，并与数据发生冲突——我们将这种张力称为因果拉锯战（Causal Tug-of-War）——我们证明了在何种条件下，该框架会拒绝设定错误的解释，而不是将其吸收。我们的实际实现 Causal Interactive Learning（CIL）展示了专家解释如何高效支持因果发现，并区分正确解释与错误解释。