Neues Netzwerk zur kausalen Abstraktion: Theorie und Lernverfahren

In der Forschung zu kausaler künstlicher Intelligenz wird die Erklärbarkeit, Vertrauenswürdigkeit und Robustheit von Modellen durch strukturelle kausale Modelle (SCMs) verbessert. Ein neuer Ansatz, das sogenannte Causal Abstraction Network (CAN), erweitert diese Idee, indem es spezielle Netzwerk‑Sheaves von kausalem Wissen nutzt. Dabei beschränken sich die SCMs auf Gaußsche Modelle, die Restriktionskarten sind Transponierte von konstruktiven linearen kausalen Abstraktionen (CAs) und die Kanten‑Stalks entsprechen – bis auf eine Rotation – den Knoten‑Stalks detaillierter SCMs.

Die Autoren untersuchen die theoretischen Eigenschaften von CAN, darunter algebraische Invarianten, Kohomologie, Konsistenz, globale Abschnitte, die durch den Laplacian‑Kernel charakterisiert werden, sowie Glattheit. Diese Grundlagen bilden die Basis für die Entwicklung effizienter Lernverfahren, die konsistente CAN‑Strukturen rekonstruieren können.

Zur Lösung des Lernproblems wird ein Ansatz vorgestellt, der lokale Riemannsche Optimierungsaufgaben für jede Kante trennt und damit nicht‑konvexe, kostenintensive Ziele vermeidet. Ein effizienter Suchalgorithmus kombiniert mit der SPECTRAL‑Methode – einer iterativen Technik mit geschlossenen Updates – ermöglicht die Handhabung von positiv definiten und semidefiniten Kovarianzmatrizen. Experimente an synthetischen Datensätzen zeigen, dass das Verfahren bei der Erkennung von kausalen Abstraktionen konkurrenzfähig ist und vielfältige CAN‑Strukturen erfolgreich zurückverfolgt.