因果表示学习

Parent: ai_keywords

因果表示学习

【核心定义】

因果表示学习（Causal Representation Learning）是机器学习与因果推断的交叉前沿领域，旨在从观测数据中学习 变量间因果关系的结构化表征。不同于传统表示学习仅捕捉统计相关性，它显式建模 干预（intervention） 与 反事实（counterfactual） 逻辑，使得学到的表示具备可解释性、可干预性及分布外泛化能力，即“知其然更知其所以然”。

【关键技术点】

1. 结构因果模型与有向无环图学习
   以图结构编码变量间的因果依赖，通过组合优化或连续约束（如NOTEARS）从数据中自动发现DAG，避免混杂偏差。

2. 不变性学习与分布外泛化
   利用多环境或数据增强，学习在不同干预下保持预测关系不变的因果特征（如IRM方法），剔除虚假关联，提升模型对临床环境变化的鲁棒性。

3. 解耦因果表示与反事实推理
   将数据生成过程分解为独立因果因子（内容、风格、病因等），支持“假设某因素被改变”的反事实模拟，为个体化决策提供可解释依据。

4. 因果发现中的可识别性理论
   结合非线性独立成分分析或时序结构，在弱假设下证明因果方向的可识别性，解决非对称关系学习的理论瓶颈。

【医学/神经科学应用场景（脑卒中方向）】

问题：脑卒中后认知障碍的异质性高，传统相关分析难以区分“病变位置的直接因果效应”与“代偿性功能网络重构的间接效应”。
场景：依托首都医科大学神经病学临床资源，因果表示学习可整合多模态数据（T1-MRI皮层厚度、DTI白质纤维束、静息态fMRI功能连接与认知评分）。通过构建因果图模型，分离出“左岛叶梗死→语义流畅性下降”的直接因果路径，以及“健侧半球前额叶功能连接增强→语义代偿”的间接路径。进一步，利用反事实干预模拟“保留特定白质束”后的认知改善程度，为个体化康复靶点选择（如经颅磁刺激位点）提供因果证据，显著提升跨中心验证的泛化性与临床决策的可解释性。