New Relational Structural Causal Models for Combinatorial AI

•關係結構因果模型 (RSCM) 明確解決了傳統結構因果模型 (SCM) 的限制，透過捕捉非獨立同分佈 (non-i.i.d) 實例之間的互動，這對於實世界中實體任意互連的複雜系統至關重要。
•該框架利用實體關係 (ER) 模型來形式化關係模式，定義實體類型、關係類型和屬性類型，提供了一種結構化的方式來表示變化的物體及其關係。
•作為 RSCM 的一個組成部分，關係神經因果模型被證明是一種正確的方法，展示了整合神經網路以在複雜、動態環境中提升性能的理論基礎。
•這項研究有助於 AI 領域的組合式泛化 (compositional generalization)，使模型能夠對已知組件的新穎排列進行推理，這是傳統 AI 系統面臨的重大挑戰。
•RSCM 能夠生成逼真的合成關係表格數據，包括跨多個互連表格的因果關係，這對於訓練強大的表格基礎模型至關重要。

結構因果模型 (SCM) 的擴展：關係結構因果模型 (RSCM) 擴展了 Judea Pearl 於 2009 年提出的 SCM 框架，使其能夠處理物體及其關係不斷變化的環境。傳統 SCM 被定義為一個四元組 M = ⟨V, U, F, P(U)⟩，其中 V 是內生變數，U 是外生變數，F 是一組機制（函數 fV(paV, uV)），P(U) 是 U 上的機率分佈。
關係模式與骨架：RSCM 建立在實體關係 (ER) 模型之上。一個關係模式 S 被定義為一個三元組 ⟨E, R, A⟩，其中 E 是一組實體（或物體）類型，R 是一組 E 上的關係類型，A 是一組觀察到的屬性類型。關係骨架 ρ 則是 S 的一組有限的基礎實體和關係。
關係因果圖：為了解決未觀察到的混淆因素，RSCM 定義了關係因果圖，並推導出符號識別準則，以實現對因果查詢的識別。這些圖抽象了關係模型的所有實例。
關係神經因果模型：研究提出關係神經因果模型作為一種可證明正確的方法，在模擬交通場景中超越了非關係型基準模型。雖然具體的網路架構細節未完全公開，但其「神經」性質暗示了深度學習組件的整合。
挑戰與解決方案：傳統的關係因果模型通常假設無環性，難以處理回饋迴路。RSCM 旨在解決這些複雜性，以捕捉非獨立同分佈實例之間的互動。

RSCM 將顯著提升 AI 在複雜、動態真實世界環境中的運作能力。

其在變化物體環境中進行干預和反事實推理的能力，以及對未見過組合的泛化能力，對於機器人技術和自動駕駛系統等強固型 AI 應用至關重要。

該框架將加速開發更具可解釋性和穩健性的 AI 系統。

透過明確建模因果關係並擴展 SCM，RSCM 超越了單純的相關性，提供了對 AI 決策「為何」的更清晰理解，這對於可信賴的 AI 至關重要。

RSCM 有望為複雜關係系統實現更有效的合成數據生成。

將 SCM 擴展到關係數據允許生成逼真的合成關係表格數據，包括跨多個互連表格的因果關係，這對於訓練強大的表格基礎模型至關重要。

1995

Judea Pearl 提出結構因果模型 (SCM)，為因果推斷奠定基礎，該模型使用結構方程和圖形結構表示變數間的因果關係。

2009

Pearl 的結構因果模型 (SCM) 框架已成為因果推斷領域的基礎，廣泛用於明確因果推斷所需的假設。

2013

Maier 等人開發了抽象基礎圖 (Abstract Ground Graph, AGG) 和關係因果發現 (Relational Causal Discovery, RCD) 演算法，為關係因果模型奠定早期基礎。

2025-07

arXiv 上發表了「透過結構因果模型生成合成關係表格數據」的研究，將基於 SCM 的方法擴展到關係數據，以生成包含跨表因果關係的合成數據。

2026-06

「用於組合式 AI 的新型關係結構因果模型」研究被提出，將 Pearl 的 SCM 擴展到處理變化的物體與關係，並引入關係神經因果模型。

用於組合式 AI 的新型關係結構因果模型