因果预测新突破：不变性门控阶梯可证明锁定真实因果集
sHAIL-Causal: A Sequential Staircase Procedure for Invariant Causal Predictor Discovery
📖 AI 总结
本文提出 sHAIL-Causal，将饱和分层原子增量学习（sHAIL）框架专门用于因果预测变量发现。该方法采用序贯阶梯式流程，在嵌套假设类层级 H_0 < H_1 < ... < H_K 上逐级上升，并以拟合优度饱和与跨环境不变性构成的联合准则作为阶段跃迁信号，取代结构风险最小化中的复杂度控制。理论分析与模拟表明，仅依赖复杂度的阶梯会被混杂预测变量误导，而引入不变性门控的阶梯在逐变量丰富性条件下可证明地停止于真实因果预测变量集合。研究还发现，朴素贪心搜索即便在丰富性条件下也无法恢复因果集，原因在于不变性统计量沿单变量路径呈非单调变化，并据此提出有界穷举块播种与校准接受阈值相结合的修正方案。作者进一步将保证扩展至环境序贯到达的情形，给出在每次到达时均有效的置信保证，并形式化了“智慧教师”干预机制，用以将饱和学习器推离停滞平台。
🔑 关键词速览
| sHAIL-Causal | 饱和分层原子增量学习（sHAIL）的因果特化版本，通过不变性门控的阶梯式过程发现因果预测变量。 |
| Saturated Hierarchical Atomic Incremental Learning (sHAIL) | 一种分层增量学习范式，在假设类层次中逐级上升，直到饱和信号表明当前阶段学习停滞。 |
| Invariance | 跨环境不变性，指预测变量与目标之间的关系在不同环境中保持稳定，是因果结构的核心特征。 |
| Richness condition | 逐变量丰富性条件，一种理论假设，保证在满足该条件时不变性门控的阶梯能停止于真实因果预测变量集。 |
| Structural Risk Minimization | 结构风险最小化，一种通过复杂度控制来平衡经验风险与模型复杂度的经典学习原则，sHAIL-Causal 用不变性准则替代了它。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅