Проблема стандартных моделей
Классические причинно-следственные байесовские сети (CBN) и структурные причинные модели (SCM) доминируют в области графического причинного вывода, но они не способны адекватно описывать системы в состоянии равновесия. В таких системах механизмы обратной связи создают циклические причинно-следственные зависимости, что приводит к фундаментальной несовместимости с существующими框架ами. Ключевая проблема заключается в том, что различные вмешательства, устанавливающие одно и то же значение переменной, могут иметь совершенно разные эффекты, делая стандартное вмешательство do(X = x) неоднозначным.
Решение: Бипартитные графические причинные модели (BGCM)
Автор предлагает новую парадигму — BGCM, где структура системы уравнений кодируется бипартитным графом, включающим узлы переменных и узлы уравнений. Это позволяет точно специфицировать вмешательство do(f_j : X_v = \xi_v), указывая, какое именно уравнение заменяется, на какую переменную оно направлено и какое значение принимает. Такой подход устраняет неоднозначность стандартного понятия вмешательства и естественным образом соответствует различным реальным вмешательствам в физических системах.
Математический аппарат и do-исчисление
В рамках BGCM сформулировано новое марковское свойство, основанное на критерии графического разделения, названном B-разделением (B-separation). Этот критерий использует функциональную детерминированность, присущую уравнениям, и расширяется на случаи с нерандомизированными входами. Разработанный do-исчисление позволяет проводить причинный вывод о инвариантности доменов, строго обобщая CBN и SCM, сохраняя при этом возможность графического причинного вывода.
Сравнение подходов
| Характеристика | Стандартные CBN/SCM | Предложенные BGCM |
|---|---|---|
| Тип графа | Обычный направленный ациклический граф (DAG) | Бипартитный граф (узлы переменных + узлы уравнений) |
| Обработка циклов | Невозможна (требует ацикличности) | Поддержка циклических зависимостей через равновесие |
| Интерпретация do(X=x) | Неоднозначна в циклических системах | Точная: замена конкретного уравнения f_j |
| Критерий независимости | d-разделение | B-разделение (B-separation) |
Значение для AI
Работа Йориса Муи, опубликованная 20 августа 2026 года, закладывает теоретический фундамент для моделирования сложных физических и социальных систем, где обратная связь является нормой. Это открывает путь к более точному причинному выводу в задачах, где традиционные методы дают сбой из-за цикличности процессов.
Источник: arXiv cs.AI ↗