关系结构因果模型

在人工智能领域，构建能够进行因果推理并泛化到未见对象组合的模型是一个关键挑战。近日，Adiba Ejaz 和 Elias Bareinboim 在 ICML 2026 上发表的论文《关系结构因果模型》提出了一种新的框架，将结构因果模型（SCMs）扩展到对象及其关系可变的设置中。该工作首先证明，在不做额外假设的情况下，即使是仅对未见对象组合的观测查询也无法识别，更不用说因果查询了。这一否定性结果凸显了关系设置中因果学习的根本性困难。为了解决这一问题，作者引入了关系因果图的概念，该图不仅编码了变量之间的结构关系，还捕获了对象之间可能的关系模式。基于此，他们推导出一套符号识别标准，使得即使存在未观测的混杂因素，也能对因果效应进行识别。这些标准为在关系环境中进行因果推断奠定了理论基础。最后，他们提出了关系神经因果模型（RNCM），这是一种可证明正确的方法，能够同时学习因果结构和参数。在模拟交通场景中，该模型可以处理不同数量的车辆、信号灯和行人，并准确推断干预效果和反事实场景。实验结果表明，RNCM 显著优于非关系基线模型，例如标准的因果模型或图神经网络，尤其是在处理对象数量变化和组合泛化方面。该研究为构建更具组合性和因果性的 AI 系统提供了重要的理论基础，有望在自动驾驶、机器人交互和动态场景理解等领域发挥作用。