Counterfactual identifiability beyond global monotonicity: non-monotone triangular structural causal models
超越全局单调性的反事实可识别性：非单调三角结构因果模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究结构因果模型的反事实可识别性及反事实恢复。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
超越全局单调性的反事实可识别性：非单调三角结构因果模型
- 研究问题
- 当同一外生扰动在不同情境下引发相反响应、全局单调性失效时，哪些机制结构仍足以保证反事实可识别？
- 方法与思路
- 作者保留三角递归，以逐机制可逆性和情境无关逆向传输替代全局单调性，并提出带可逆层及传输稳定性正则的模型。
- 材料陈述的贡献
- 摘要称，这些条件等价于外生同构并支持完全反事实识别，同时给出局部可逆性不足的反例，并在合成与机器人环境中展示表现。
- 阅读关注点
- 应核对逆向传输与外生同构的精确定义、等价定理的范围，以及实现中的正则化是否保证理论条件和反事实评价的真实性。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未提供证明细节；机器人任务中的性能陈述不能直接推广到其他反事实问题。
原文摘要
Structural causal models provide a unified semantics for interventions and counterfactuals, but most identifiability results rely on restrictive assumptions like global monotonicity, which are often violated in embodied interaction, where the same exogenous perturbation can induce opposite responses under different contact contexts. We ask what structure still suffices once global monotonicity is dropped. We introduce non-monotone triangular structural causal models (NM-TM-SCM), which retain triangular recursion but replace global monotonicity with mechanism-wise invertibility and context-independent inverse transport. We prove that these conditions are equivalent to exogenous isomorphism and imply complete counterfactual identifiability, and we give a counterexample showing that local invertibility alone is insufficient. We instantiate the theory in CausalInverter, with triangular invertible layers, orientation gates, and transport-stability regularization. On synthetic non-monotonic mechanisms, the structural bias yields systematic counterfactual gains as non-monotonicity increases. On MuJoCo Door, our model achieves perfect event-level counterfactual recovery, lowers continuous angle error relative to a Transformer baseline, and delivers substantially more stable recovery than Transformer and conditional-flow predictors. On MuJoCo Push, where non-monotonicity is weaker, the same low-data predictors remain competitive or better, consistent with a bias-variance boundary. These results identify a broader identifiable regime between globally monotone triangular models and unconstrained black-box world models.