人工知能が環境を正しく理解するには、介入や反事実推論に対応できる因果的なモデルと、未見の物体の組み合わせへ一般化できる組み合わせ的なモデルの両立が必要とされています。本研究では、こうしたモデルがいつどのように学習可能であるかを形式的に研究しました。 研究チームはPearl（2009）の構造因果モデルを拡張し、オブジェクトとその関係性が変動する設定に対応する関係的構造因果モデルを開発しました。まず、未見の物体の組み合わせに関する因果的および観測的なクエリへの回答が、さらなる仮定なしには特定できないことを示しました。その上で、観測されない交絡の存在下を含む識別を可能にするため、関係的因果グラフを定義し、記号的な識別基準を導出しました。 最後に、研究チームは関係的ニューラル因果モデルを提案しています。このアプローチは証明可能な正確性を備えており、異なる数と配置の車、信号、歩行者が存在する模擬交通シーンにおいて、従来の非関係的ベースラインを上回る性能を発揮することが示されました。この研究は、複雑で変動する現実環境における因果推論の基礎的な進展を示すものです。