HCP-DCNet: 自己改善型因果理解のための階層的因果プリミティブ動的組成ネットワーク

要旨：因果関係を理解し、原因と結果を推論する能力――介入、反事実、基礎となる機構を含む――は、堅牢な人工知能の基盤である。深層学習はパターン認識に優れる一方で、因果性のモデルを根本的に欠いており、分布シフトの下でシステムを脆弱にし、``what-if'' のような問いに答えることができない。 本論文は、\emph{階層的因果プリミティブ動的組成ネットワーク（HCP-DCNet）}、連続的な物理ダイナミクスと離散的な記号的因果推論を橋渡しする統一的フレームワークを提案する。モノリシックな表現から脱却し、HCP-DCNetは因果シーンを再利用可能な、型付けされた\emph{因果プリミティブ}として分解し、4つの抽象レイヤー（物理、機能、イベント、ルール）に整理する。デュアルチャネルのルーティングネットワークが、これらのプリミティブをタスク固有の、完全に微分可能な\emph{因果実行グラフ（CEGs）}へ動的に組み合わせる。特に、システムは\emph{causal-intervention-driven meta-evolution}戦略を採用しており、制約付きマルコフ決定過程を通じて自律的な自己改善を可能にする。我々は、型安全な組み合わせ、ルーティングの収束、因果ダイナミクスの普遍近似を含む厳密な理論的保証を確立する。シミュレーションされた物理的・社会的環境にわたる広範な実験は、HCP-DCNetが因果発見、反事実推論、組成的一般化の分野で最先端のベースラインを大幅に上回ることを示している。本研究は、人間のような因果抽象化と継続的な自己精錬能力を備えたAIシステムを構築するための、原則的でスケーラブルかつ解釈可能なアーキテクチャを提供する。