论文页面 - 预测瓶颈无法发现因果结构（但它们实际上做了什么）

来源：https://huggingface.co/papers/2605.09169

本文证伪了“下一步预测瓶颈——尤其是 Mamba/SSM 的权重投影——能够恢复因果结构”的主张，指出其表现出的增益主要源于低秩回归、样本量混淆、干预语义伪影以及对目标破坏的鲁棒性，其主要持久贡献在于提供了一个可复用的证伪基准。

➡️ 他们针对“预测即因果发现”的证伪框架的关键亮点：

🧪 可复用的五阶段证伪基准：引入了一个以控制变量为核心的基准，涵盖 VAR、Lorenz-96、CauseMe 风格生成器、带有边溯源卡片（edge-provenance cards）的真实数据集、容量匹配的网络架构、大小匹配的观测对照，以及多种干预语义，用以严格测试“预测模型隐式恢复因果图”的主张。

🧩 权重投影因果性无法经受控制测试：测试了瓶颈预测器的提取规则（S = \|W_{out}W_{in}\|），结果显示线性瓶颈的表现与 Mamba SSM 相当甚至更优，在合成图恢复任务中经过调优的 Lasso 占据主导，而在干净的 Lorenz-96 真值上，经典的 PCMCI/Granger 类方法优于瓶颈模型。

🧠 干预增益是混淆因素，而非因果提取：表明所报告的干预优势主要来自额外的样本量以及非标准的每步随机强迫干预；在适当的 do(X_i=c) 干预下，该效应几乎消失，而剩余效应在经典的双变量 Granger 因果检验中甚至更为显著，这表明这是一种与方法无关的目标破坏鲁棒性，而非习得的因果发现能力。