关系结构因果模型

arXiv:2606.14892v1 公告类型：新 摘要：人工智能必须拥有一个因果环境模型，支持对干预和反事实的推理，同时也具有组合模型，支持对未见过的对象组合的泛化。在这项工作中，我们正式研究何时以及如何学习这样的模型。我们开发关系结构因果模型，将结构因果模型（Pearl 2009）扩展到对象及其关系变化的环境。首先，我们展示了如何在没有进一步假设的情况下识别关于未见对象组合的因果查询和观察查询的答案。为了实现这种识别（包括在存在未观察到的混杂的情况下），我们定义关系因果图并导出符号识别标准。最后，我们提出了关系神经因果模型，这是一种可证明正确的方法，在具有不同汽车、信号灯和行人的模拟交通场景上优于非关系基线。