因果推論と組合せ的一般化は、知能システムにとって長く重要な二つの能力とされてきたが、これまでの研究では両者を同一の形式的枠組みで扱う例は少なかった。Adiba Ejaz と Elias Bareinboim による論文「Relational Structural Causal Models」は、この隙間を埋めようとするものである。理想的な人工知能は、介入や反事実についての推論を可能にする因果的な環境モデルを持ち、同時に、未見の対象の組合せへ一般化できる組合せ性を備える必要がある。本論文は、そのようなモデルがいつ、どのように学習可能かを形式的に問う。本稿は第43回国際機械学習会議（ICML）の論文集に採録され、cs.AI を主分野として cs.LG、cs.SI、stat.ML にも関連する。
著者らはまず、Pearl（2009）の構造的因果モデルを、対象の集合とその関係が変化する状況へ拡張し、関係構造的因果モデルを定式化する。従来の構造的因果モデルは変数集合が固定されていることを前提とするが、関係的シーンでは対象の数や種類、相互の結び付き方が変動するため、既存の同定性分析をそのまま適用することはできない。論文はまず否定的な結果を示す。追加の仮定を置かない限り、未見の対象の組合せに関する因果的クエリだけでなく、観測的クエリさえも同定できないという。これは、組合せ的一般化が自動的に成立するものではなく、関係構造を明示的にモデル化する必要があることを意味する。
そうしたクエリの同定を可能にするため、論文は関係因果グラフを定義し、その上で記号的な同定基準を導出する。この基準は、複数の変数に同時に影響する観測不能な共通原因が存在する未観測交絡の状況にも適用できる点が重要である。これにより、観測データからあるクエリが一意に定まるかどうかを判断するための、操作可能な形式的道具が与えられる。
さらに著者らは関係ニューラル因果モデルを提案する。これは上記の同定基準と整合することが証明された手法であり、検証可能性を備えている。実験は、台数や位置が刻々と変化する車、信号機、歩行者を含む模擬交通シーンで行われ、関係ニューラル因果モデルは関係構造を考慮しない非関係ベースラインを上回る性能を示した。
論文は2026年6月12日に投稿され、約2.1MBの全文を arXiv で公開している。PDF、実験的な HTML 版、TeX ソースが利用可能で、DOI は 10.48550/arXiv.2606.14892 である。全体として本作業は、対象と関係が動的に変化する環境において、因果性と組合せ性を兼ね備えた世界モデルを学習するための理論的枠組みと、検証可能なアルゴリズムの道筋を与えるものといえる。