🔗 因果推理¶

🎞️ ECCV2026 · 3 篇论文解读

CausalVAE as a Plug-in for World Models: Towards Reliable Counterfactual Dynamics: 把 CausalVAE 的因果层拆成一个只作用于隐空间的即插即用模块，插在任意「编码器 + 动作条件转移」主干之间，用一个可学习的 DAG 邻接矩阵组织隐变量，在不改动主干预测架构的前提下显著抬高干预场景下的反事实检索（Physics 3-body 上 GNN_NLL 的 CF-H@1 从 11.0 涨到 41.0），同时基本保住事实预测精度。
SPARC: Scalable Path-Specific Counterfactual Fairness via Causal Conditional Independence: SPARC 将高维输入上的路径特定反事实公平性转化为标签条件下的敏感属性独立性目标，以互信息预训练保留诊断信息、以条件对抗掩码抑制不公平路径，在三个医学数据集上改善公平性，但相对无约束模型仍存在预测性能代价。
FD\(^2\): A Dedicated Framework for Fine-Grained Dataset Distillation: FD\(^2\) 针对现有解耦式数据集蒸馏方法在细粒度数据集上忽略了判别性局部区域的问题，通过引入反事实注意力学习（CAL）提取判别性注意力图和类别原型，并在蒸馏阶段加入细粒度特征约束和同类样本相似度约束，作为即插即用模块显著提升 SRe2L++ 和 FADRM+ 在 CUB-200-2011、FGVC-Aircraft、Stanford Cars 等细粒度数据集上的蒸馏质量，IPC=1 时最大提升 +15.1%。