跳转至

因果表征学习：面向分布偏移的可泛化推荐

Fidelity: 核心机制复现。本地代码执行论文最有辨识度、可由公开数据验证的机制；私有数据、生产模型与服务栈明确列为边界。

论文信息

项目 内容
论文链接 arXiv 2605.27043
公司/机构 University of Warwick（按第一作者所属机构聚合）
首次公开日期 2026-05-26（arXiv v1）
原文开源代码 否：未找到原作者公开代码（核查日期：2026-09-02）
Adapter causal-representation
本地复现代码 src/auto_research/reproductions/causal_representation/

原始论文总结

背景与主要改动

通过信息论去混杂约束，让候选表征保留与结果有关的因果成分、丢弃由曝光策略带来的非因果成分；训练后不增加线上推理开销。

flowchart LR
  A["公开行为与候选"] --> B["causal-representation 核心机制"]
  B --> C["同预算方法输出"]
  A --> D["统一直接基线"]
  C --> E["全目录排序与结构诊断"]
  D --> E

原论文关键图

因果表征学习：面向分布偏移的可泛化推荐 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ J(g)=I(g(T);Y\\mid Z)-\\lambda I(g(T);Z). \]

论文离线与线上效果

  • Spotify 数百万用户、两周线上实验：Track Streams +0.75%、Skips -0.61%、Minutes Played +0.50%，均达到 95% 显著性。
  • 上述数字只复述论文线上证据，不写入本地公开数据效果结论。

本地复现

本地对照口径：同一 MovieLens 全目录协议下，基线 NDCG@10 为 0.05401，实验组为 0.05220，相对变化 -3.35%。本地代理目标与论文生产任务不同，不能外推线上 lift。

三随机种子完整结果、均值、标准差与 95% CI：

auto-research reproduce --paper causal-representation --dataset-dir data --seeds 42,43,44

复现边界

本地使用 MovieLens-1M 的公开子集及可审计代理目标，只验证中心计算机制；不复现原论文的私有日志、生产基础模型、线上分桶和 serving 栈。因此本页不宣称复现原文绝对指标或线上增益。