Краткое содержание

arXiv:2505.17708v3 Тип объявления: replace Аннотация: Причинно-следственные рассуждения и обнаружение причинно-следственных связей — две фундаментальные задачи причинного анализа, которые часто сталкиваются с трудностями при применении из-за сложности, зашумлённости и высокой размерности реальных данных. Несмотря на недавний прогресс в идентификации скрытых причинных структур с помощью причинного представления обучения (CRL), вопросы о том, что делает полученные представления полезными для последующих причинно-следственных задач и как их оценивать, всё ещё недостаточно изучены. В данной статье мы переосмысливаем CRL, используя framework модели измерений, в котором изученные представления рассматриваются как прокси-измерения латентных причинных переменных. Наш подход проясняет условия, при которых изученные представления поддерживают последующие причинно-следственные рассуждения, и предоставляет принципиальную основу для количественной оценки качества представлений с использованием нового Test-based Measurement EXclusivity (T-MEX) показателя. Мы проверяем T-MEX на различных сценариях причинного вывода, включая численное моделирование