因果推断与组合泛化长期被视为人工智能系统的两项核心能力，但此前研究大多分别推进，很少把二者放在同一形式框架中讨论。Adiba Ejaz 与 Elias Bareinboim 提交至 arXiv 的论文《Relational Structural Causal Models》试图弥合这一空隙：一个理想的人工智能既需要关于环境的因果模型，以支持对干预与反事实的推理；又需要具备组合性，以便泛化到从未同时出现过的对象组合。论文关心的问题是：这样的模型在什么条件下、以何种方式能够被学习出来。该工作已被第四十三届国际机器学习大会（ICML）接收，归类为 cs.AI，并涉及 cs.LG、cs.SI 与 stat.ML。
作者的做法是把 Pearl（2009）的结构因果模型扩展到对象集合及其关系会发生变化的情境中，提出关系结构因果模型。传统结构因果模型通常假定变量集合固定，而关系场景中对象的数量、类型与彼此连接方式都可能变化，这使得原有的可识别性分析不能直接套用。论文首先给出一个否定性结果：在缺少额外假设的情况下，不仅关于未见对象组合的因果查询无法被识别，就连纯粹的观测查询也无法得到确定答案。这一结论说明，组合泛化并非自动成立，而需要显式建模关系结构。
为使这类查询可被识别，论文定义了关系因果图，并在此基础上推导出符号化的识别准则。值得注意的是，该准则同样适用于存在未观测混杂的情形，也就是系统中存在无法直接观测、却同时影响多个变量的共同原因。这为从观测数据出发判断某个查询是否可被唯一确定提供了可操作的形式化工具。
在算法层面，作者提出关系神经因果模型，这是一种被证明正确的方法，即其输出与上述识别准则保持一致。实验在模拟交通场景中进行，场景中包含数量与位置不断变化的车辆、信号灯和行人。结果显示，关系神经因果模型优于不考虑关系结构的非关系基线。
论文于 2026 年 6 月 12 日提交，全文约 2.1MB，可通过 arXiv 获取 PDF、实验性 HTML 版本与 TeX 源码，DOI 为 10.48550/arXiv.2606.14892。整体而言，该工作为在对象与关系动态变化的环境中学习兼具因果性与组合性的世界模型，提供了理论刻画与可验证的算法路径。