2025年1月23日，深度学习领域顶级会议——国际表征学习大会（International Conference on Learning Representations, ICLR) 公布了2025年论文录用情况，在11500份投稿稿件中，江苏省应用数学科学研究中心虞文武教授团队文章《The Robustness of Differentiable Causal Discovery in Misspecified Scenarios》被大会接收。
因果发现作为复杂系统认知和人工智能可解释性研究的重要组成环节，是数学基础理论与人工智能研究的热门方向，也是经济、管理、信息、生物、医学等领域广泛使用的技术手段。然而，因果发现算法依赖于无法检验的因果假设，这些假设在现实世界的数据中通常难以满足，进而限制因果发现在实际场景中的广泛应用。
面向上述挑战，团队广泛地对各种前沿因果发现算法（包括：基于约束、评分、函数因果模型和可微方法）在8种模型假设违反下的性能进行基准测试，实验结果表明：在除尺度变化外的场景下，可微因果发现方法在推断因果图的结构汉明距离（Structural Hamming Distance，SHD）和结构干预距离（Structural Intervention Distance，SID）上表现出较强的鲁棒性。进一步的，团队为可微因果发现方法的性能提供了完备的理论解释。这项工作旨在全面衡量最新可微因果发现方法在模型假设违反情况下的性能，为因果发现的合理评估提供标准，并进一步促进其在现实场景中的应用。
图：线性场景下实验结果
该研究成果获得中心课题“复杂系统的无偏高阶高维因果推断”（课题负责人：陈都鑫）的支持，为因果发现算法在实际应用中的推广与发展提供了重要的实证依据，促进了复杂系统任务中的因果分析研究进展。
ICLR是人工智能综合/机器学习领域的三大顶级会议之一，在谷歌学术刊物排名中位居前十。该会议专注于人工智能领域的前沿研究，发表了众多具有重要影响力的论文。ICLR采用全面公开的评审规则，评审过程中论文完全公开，允许所有对论文感兴趣的研究者参与论文评审意见的讨论，这使得ICLR在人工智能顶级会议中独具特色，具有评审的透明性和广泛性，同时也增加了论文被接收的难度。
论文信息：Huiyang Yi, Yanyan He, Duxin Chen, Mingyu Kang, He Wang, Wenwu Yu, The Robustness of Differentiable Causal Discovery in Misspecified Scenarios. ICLR 2025, Singapore, April 24th-28th.
链接：https://openreview.net/forum?id=iaP7yHRq1l¬eId=kkYPQwI39V
