在人工智能领域，模型必须具备因果性，以支持对干预和反事实的推理，同时具备组合性，以支持对未见对象组合的泛化。本文正式研究了何时以及如何学习这样的模型。我们提出了关系结构因果模型，扩展了结构因果模型（Pearl 2009）至对象及其关系变化的情境。
首先，我们展示了关于未见对象组合的因果和观察查询的答案在没有进一步假设的情况下是无法识别的。为了实现这种识别——包括在存在未观察混杂的情况下——我们定义了关系因果图并推导出符号识别标准。
最后，我们提出了关系神经因果模型，这是一种经过证明的正确方法，在模拟交通场景中，相较于非关系基线模型表现更佳，能够处理不同的汽车、信号和行人。
博主点评： 关系结构因果模型为AI推理带来了新的视角，通过引入对象关系的变化，极大地增强了模型的灵活性和适应性。这一研究不仅推动了因果推理的理论发展，也为实际应用提供了强有力的工具，尤其是在复杂环境中的决策支持上。