因果表徵學習（causal representation learning）

古典因果推論假設變數已經給定——一欄欄整齊地標著處置、劑量、結果。但一個看著原始像素或感測器串流的模型並沒有這種欄位；因果因子糾纏在高維輸入內部。因果表徵學習的目標，是從那種原始資料中還原出一小組潛在變數，讓它們表現得像真正的因果單元、每一個都能被獨立操弄，使得後續推理能對『物體位置』下介入，而不是對第 4,832 號像素下介入。

目標是學出一個編碼器，使其潛在變數在可容忍的模糊度內對應到真正的因果因子，並同時學出它們之間的因果圖。核心障礙是識別性：沒有額外結構時，無限多種潛在參數化都同樣好地解釋同一批觀察，於是還原出的因子是任意的。進展來自利用能把表徵釘住的訊號——多重環境、介入或時間資料、混合的稀疏性，或已知的機制改變——把識別性從『期望』變成『定理』。

最好把它讀成解構（disentanglement）與因果發現的交會點，放大到感知層次。它承諾的是能在分布偏移下泛化、並能回答關於『世界』而非『特徵』的反事實查詢的模型；但目前的現實是，強識別性保證仍需要強的、往往是介入性的假設，而純觀察式的解構在一般情況下已知是不可能的。