迈向更现实的变化模型：决策与动力系统的因果视角

arXiv:2610.28803v1 发布类型：新 摘要：尽管统计学习在近几十年取得了显著进展，大规模数据集和数据驱动的协议也改变了科学实践，但它仍面临一个关键局限：难以推广到未见过的数据之外，在分布偏移下往往表现失效。因果推断提供了一种有前景的解决方案：因果模型关注变化背后的机制，而非表层关联，从而能够在外部干预下进行稳健推理。这使系统不仅能够从数据中学习，还能够推理假设情景、适应新环境，并为更好的决策提供依据。本论文分为两部分，探讨这些方法如何相互启发。第一部分研究算法补救，即确定个体可以做出哪些改变，以推翻对其不利的决策。我们对既有框架提出了另一种视角，主张采用更现实的成本函数，以因果术语重新表述问题，并在政策评估中纳入时间维度。第二部分聚焦于动力系统，将因果干预和因果效应的概念扩展到离散和连续随机过程中。我们展示了这些过程的均衡状态，以及它们在干预后如何变化，可以与 Structural Causal Models (SCMs) 建立联系；后者被视为对潜在时间动态的压缩表示。我们认为，这类时间因果模型具有重要意义，因为在现实世界的情境中，行动需要经过一段时间才能产生其影响。两部分的共同目标都是实践性的：这些模型的实用性、稳健性和可信度，关键取决于它们能否真实地表示底层现象。