模型CWAM
CausalWAM
一种面向机器人学习的因果世界动作模型，通过在动作头增加稀疏路由，将动作生成所依赖的潜在变量分离为因果相关子集，在稀疏约束下具备可识别性理论保证。
时间轴 (近 90 天)
11月2日
CausalWAM 从因果角度将动作相关潜在变量与场景预测变量分离，使动作生成只依赖动作相关变量。
待验证50%
11月2日
论文证明在稀疏约束下，用于生成动作的潜在变量是动作相关潜在变量的可逆函数，且真实结构可在置换意义下被唯一识别。
待验证50%
11月2日
CausalWAM 的可识别性结论不需要足够强的时间依赖性，也不对未观测 regime 的演化做假设，甚至在动作相关变量与其余变量统计相关时仍成立。
待验证50%
11月2日
论文在合成数据上验证了稀疏约束下动作相关潜在变量能被正确识别。
待验证50%
11月2日
论文在真实机器人上展示了闭环任务中成功率或效率的改善。
待验证50%
11月2日
CausalWAM 将因果表示学习的可识别性理论落实到机器人策略学习的具体架构上，而非停留在纯理论层面。
待验证50%
全部知识事实 (6)
待验证
CausalWAM 从因果角度将动作相关潜在变量与场景预测变量分离，使动作生成只依赖动作相关变量。
50%待验证论文证明在稀疏约束下，用于生成动作的潜在变量是动作相关潜在变量的可逆函数，且真实结构可在置换意义下被唯一识别。
50%待验证CausalWAM 的可识别性结论不需要足够强的时间依赖性，也不对未观测 regime 的演化做假设，甚至在动作相关变量与其余变量统计相关时仍成立。
50%待验证论文在合成数据上验证了稀疏约束下动作相关潜在变量能被正确识别。
50%待验证论文在真实机器人上展示了闭环任务中成功率或效率的改善。
50%待验证CausalWAM 将因果表示学习的可识别性理论落实到机器人策略学习的具体架构上，而非停留在纯理论层面。
50%