CausalBridge：通过因果结构恢复未命名变量语义

数值测量描述系统如何运行，却常未说明变量的含义。有些变量被测量但没有名称，另一些从未测量。已有方法通过一般人类知识赋予语义，既继承知识存在处的偏差，也无法处理缺乏知识之处。我们通过因果结构弥合测量与含义的缺口，从变量如何作用于其他变量读取语义。我们将其形式化为结构约束语义对齐：在因果图所蕴含的依赖关系下，求解未命名变量的嵌入，并以少量已知名称嵌入作锚点。因此建立CausalBridge，从测量中发现含潜变量的因果图，依据关系求解嵌入，再通过语言模型表达为名称。因果结构反映测量生成机制，仅从测量恢复，可能成为不受人类知识偏差影响的信息来源。我们在五组问卷和三个机器人场景中评估，遮蔽20%—90%的变量名称。方法比依赖关联的已有方法更准确地恢复观测及潜变量语义，且系统文档越少优势越大。发现的图与文档中的图具有相近命名准确性，并能以采样方法的一小部分成本在数分钟内命名新系统。忠实弥合语义缺口后，机器可理解世界并以因果方式行动。