[CVPR 2026 预研] KaCGM：当因果生成模型遇见 KAN，开启符号级可解释性新时代

TL;DR

传统的深度因果模型往往是“黑盒”，虽能刷榜但不可审计。本文提出的 KaCGM (Kolmogorov-Arnold Causal Generative Model) 创造性地将最近火爆的 KAN (Kolmogorov-Arnold Network) 引入因果推理领域。它不仅能像常规生成模型那样处理观察、干预和反事实查询，最硬核的突破在于：它能直接吐出显式的数学公式（如 $y=\sigma (0.17x^2+0.5z)$），让因果机制逻辑彻底透明化。

背景定位：因果推理的“透明度”困境

在医疗决策或政策制定中，我们不仅想知道“如果我给药，病人会怎样”（干预查询），更想知道“为什么模型认为这个药有效”。现有的 Causal Flows 等方法虽然强大，但其内部是成千上万个神经元权重，人类无法理解其中的物理含义。KaCGM 弥补了这一鸿沟，它在学术坐标系中属于可解释深度因果模拟器的开创性工作。

核心直觉：为什么 KAN 是因果模型的完美搭档？

作者的研究直觉非常敏锐：因果机制本质上是结构方程的集合。

1. 加性噪声模型 (ANM)：假设 $x_j=f_j(pa(j))+u_j$。如果 $f_j$ 是黑盒，我们依然无法理解机制。
2. KAN 的威力：根据 Kolmogorov-Arnold 定理，任何多元连续函数都能分解为一元函数的叠加。这与 神经加性模型 (NAM) 的思想不谋而合，但 KAN 使用 B-Splines 代替了 MLPs，这使得它对平滑函数的逼近更高效，且非常利于进行符号近似。

图 1：KaCGM 架构示意。每个节点的生成机制由一个 KAN 网络参数化，通过拟合残差获得外生噪声变量 $u$。

技术亮点：从神经网络到闭式方程

KaCGM 的工作流程不仅仅是训练一个模型，而是一套解释流水线：

• 混合类型支持：通过 Logistic-KAN 扩展，模型可以完美处理离散变量。
• 剪枝与符号化：模型训练后，作者会对 KAN 的边进行剪枝（去除不重要的父节点影响），然后利用符号回归将 Spline 函数转化为多项式、三角函数等。
• 失配诊断：通过测试推断出的噪声 $u$ 与父节点 $pa(j)$ 的独立性（使用 HSIC 算法），模型能自豪地告诉你：“我的加性假设在这里是否成立”。

实验战绩：性能不减，透明度倍增

在 Sachs 蛋白质信号网络等标准基准上，KaCGM 展示了极强的竞争力。

• 加性场景下：KaCGM 的反事实预测误差 (MAECF) 与最先进的专用加性模型 (ANM) 持平，远优于通用的 Diffusion 基线。
• 混合类型优势：在包含离散变量的场景下，KaCGMmix 在观测分布和干预分布的拟合指标 (MMD, C2ST) 上显著胜过 CFlow 等模型。

图 2：模型灵敏度分析。随着非加性系数 $\alpha$ 增加，KaCGM 的独立性测试 (HSIC) 评分显著下降，证明了其自诊断能力。

深度洞察：医疗案例中的“真相”

在心血管案例中，KaCGM 提取出的缺血风险方程显示：年龄(Age)和收缩压(Systolic)对风险的贡献具有明显的二次项特征。 $Pr(ischemia)=\sigma (0.055{\overline{Age}}^2+0.173\overline{Age}+\dots )$ 这与临床医学中“风险随年龄呈非线性加速增长”的直觉完全契合。通过作者提供的 Probability Radar Plots (PRP)，医生可以清晰地看到每个患者风险评分的来源。

图 3：解释工具演示。上图为个体风险贡献的雷达图，下图为群体水平的偏相关图（PDP）。

总结与局限

Takeaway: KaCGM 是表格数据因果建模的一个重要里程碑，它解决了“既然有因果图，为什么还需要符号方程”的问题——图只告诉了你连通性，而 KaCGM 告诉了你传播的具体规律。

局限性分析:

1. 强加性假设: 当数据生成过程（DGP）存在高度纠缠的非加性交互（如多变量乘积项）时，KaCGM 的拟合度会下降。
2. 计算成本: KAN 的训练目前比简单 MLP 慢（见原文 Table III），在极高维特征下可能存在扩展性挑战。
3. 图结构依赖: 它依赖于预先定义的因果图。如果图画错了，生成的公式再漂亮也是“误导性的真相”。

KaCGM 开辟了从“因果黑盒”到“符号白盒”的新路径，值得每一位关注 AI 透明度的研究者深入研读。