From Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity Ratios
arXiv 论文 2607.25546v1 提出 Normalised Sensitivity Ratio (NSR)，一种模型无关的事后诊断方法，用于在结构化偏移下识别因果特征。在 K≥3 个非退化环境下，NSR 在线性结构因果模型下实现精确识别（定理 1），并刻画了弱偏移、退化几何和代理衰减等失败模式。
Development
- First ReportFrom Training to Deployment: Post-Hoc Causal Feature Identification via Sensitivity RatiosarXiv cs.AI
- Current Assessment该研究回应了模型部署中因果归因的需求，特别是在多中心临床数据或多批次基因组学等场景。NSR 提供了一种模型无关的诊断方法，可能影响模型审计和合规实践。但论文尚未展示大规模实验验证，实际效果有待进一步研究。Agent Pulse · analysis
该论文针对已训练模型提出 NSR，用于区分因果特征与虚假特征。现有方法需要访问训练过程，无法事后回答。NSR 在结构化偏移假设下（环境间主要差异在虚假特征的均值，因果机制和因果边缘分布稳定）工作，通过环境间敏感性的平方变异系数实现识别。在线性 SCM 且 K≥3 个非退化环境下，NSR 实现精确识别（定理 1）。论文完整刻画了失败条件：弱偏移（O(ε^4) 坍缩）、退化几何和代理衰减（O((1-α)^4)），为实践者提供量化标准。有限样本速率在零假设下为 O_p(n^{-1})，备择假设下为 O_p(n^{-1/2})。实验部分（摘要中未详述）验证了方法。
NSR 的核心思想是因果特征在不同环境间保持恒定敏感性，而虚假特征随偏移变化。这为模型可解释性提供了一种无需训练过程的事后诊断工具。其失败模式的完整刻画（弱偏移、退化几何、代理衰减）给出了适用性的量化边界，有助于避免误用。有限样本速率的理论保证支持实际部署。
该研究回应了模型部署中因果归因的需求，特别是在多中心临床数据或多批次基因组学等场景。NSR 提供了一种模型无关的诊断方法，可能影响模型审计和合规实践。但论文尚未展示大规模实验验证，实际效果有待进一步研究。
对于依赖模型决策的行业（如医疗、金融），NSR 提供了一种识别模型依赖的因果特征的方法，有助于提升模型的可信度和合规性。但作为研究论文，其商业价值尚需产品化验证。
后续可验证信号包括：NSR 在真实多中心临床或基因组数据集上的应用案例，与其他因果归因方法的对比实验，以及扩展到非线性模型或更复杂偏移的扩展版本。