知识卡片：实现因果感知：竞争性结构因果模型与情境化公平

一句话结论

因果感知（causal perception）指多个智能体对同一系统持有不同的结构因果模型（SCM），从而在相同干预下推断出不同概率分布。本文首次将这一纯理论框架落地实现，并在德国信用数据集上证明：公平性判断是相对于智能体 SCM 而“情境化”的，竞争性世界观不能被忽视。

事件概述或研究问题

研究问题：如何把 Álvarez 和 Ruggieri（2025）提出的因果感知框架从理论变为可计算实现？
因果感知会影响智能体对系统的推理方式，也会影响其对系统公平性的感知。
该框架此前停留在纯理论层面，本文提供第一个实现。

方法/产品要点

实现了两类因果感知：
- 结构性因果感知：智能体对因果图结构存在分歧；
- 参数性因果感知：智能体认同因果图结构，但对因果图权重存在分歧。
设计了用于计算干预分布（interventional distributions）和反事实分布（counterfactual distributions）的算法。
提出了合适的距离度量（distance measures），用于量化智能体之间的分歧程度。
使用 German Credit 数据集，在多专家决策场景中展示因果感知对准确性与公平性的影响。

主要结果或产业意义

“感知判定”对距离度量选择和阈值选择敏感。
因果感知会改变公平性评估结果，也会改变基于阈值的决策。
偏见被证明是相对于智能体 SCM 而“情境化”的；在公平性问题中，竞争性世界观无法被忽略。
产业意义：在信贷、风控等多专家/多模型决策场景中，不能假定只有一个中立、客观的公平结论，而应显式处理不同因果模型带来的分歧。

为什么重要

这是因果感知框架的第一个实现，弥补了从理论到算法的空白。
它将公平性讨论从“该用哪个公平指标”推进到“该用哪个因果模型”。
增量信息：已有相关卡片未涉及因果感知或 SCM 公平性；本条的核心增量是首次实现并用数据展示了竞争性 SCM 如何影响公平判定。

局限与不确定性

本卡片仅基于论文摘要；具体算法细节、距离度量公式、阈值设定、实验数值均未在材料中给出，待核实。
实验仅在 German Credit 数据集上展示，未见跨数据集验证，待核实。
论文作者列表为 Jose M. Álvarez；该作者与 Álvarez 和 Ruggieri（2025）中作者的关系待核实。
感知判定对距离度量和阈值敏感，意味着实际使用中需要额外的方法论选择这些超参数，否则结论可能不稳定。

可用于图书/PPT/简报的角度

用“两个 AI 专家用不同因果图评估同一个贷款申请人”作为例子，解释为什么他们会得到不同公平结论。
把“公平”从静态指标问题转化为“因果模型分歧”问题。
强调多智能体决策系统中应让竞争性 SCM 可见，而不是隐含在单一模型里。

原始材料

英文标题：Implementing Causal Perception: Competing SCMs and Situated Fairness
英文关键词（依据摘要提炼）：causal perception; structural causal models; situated fairness; interventional distributions; counterfactual distributions; distance measures
作者：Jose M. Álvarez
来源：arXiv:2608.03917v1 [cs.AI]
发布/更新：2026-08-04T16:48:19Z
URL：https://arxiv.org/abs/2608.03917v1
原文摘要：

Causal perception occurs when agents with competing Structural Causal Models (SCMs) of the same system infer different probability distributions, including the hypothetical distributions implied by each agent's SCM under the same set of interventions. It shapes how agents reason about the system and how they perceive its fairness. Causal perception is a promising probabilistic framework, but it has remained purely theoretical. This work provides the first implementation of the causal perception framework of Álvarez and Ruggieri (2025). We operationalize structural (agents disagree on the causal graph) and parametrical (agents agree on the causal graph but disagree on its weights) causal perception. We design algorithms for computing interventional and counterfactual distributions and propose suitable distance measures to quantify the disagreement. Using the German Credit dataset, we illustrate how causal perception affects accuracy and fairness in a multi-expert decision setting. We show that the perception verdict is sensitive to the choice of distance metric and threshold. We also show that causal perception changes fairness assessments and threshold-based decisions. Bias proves situated with respect to the agent's SCM, demonstrating that competing worldviews in fairness problems cannot be ignored.