Resumen: La inteligencia artificial causal tiene como objetivo mejorar la explicabilidad, la confiabilidad y la robustez en la IA al aprovechar los modelos causales estructurales (SCM). En esta persecución, los avances recientes formalizan las giras de la red del conocimiento causal. Presionando en la misma dirección, introducimos la red de abstracción causal (CAN), una instancia específica de tales espinillas donde (i) los SCM son gaussianos, (ii) los mapas de restricción son transposiciones de abstracciones causales lineales constructivas (CAS) y (iii) los tallos de borde corresponden, hasta la rotación, a los tallos de nodos de SCM más detallados. Investigamos las propiedades teóricas de CAN, incluidos los invariantes algebraicos, la cohomología, la consistencia, las secciones globales caracterizadas a través del núcleo laplaciano y la suavidad. Luego abordamos el aprendizaje de latas consistentes. Nuestra formulación de problemas se separa en problemas riemananos locales específicos de borde y evita objetivos costosos no convexos. Proponemos un procedimiento de búsqueda eficiente como una solución, resolviendo los problemas locales con el método espectral, nuestro iterativo con actualizaciones de forma cerrada y adecuado para matrices positivas de covarianza definitiva y semidefinita. Los experimentos sobre datos sintéticos muestran un rendimiento competitivo en la tarea de aprendizaje de CA, y una recuperación exitosa de diversas estructuras CAN.
Publicado Originalme en export.arxiv.org El 30 de septiembre de 2025.
Ver Fuente Original
