HCP-DCNet：一种用于自我改进因果理解的层次化因果原语动态组合网络

本文提出层次化因果原语动态组合网络（HCP-DCNet），旨在弥合连续物理动力学与离散符号因果推理之间的鸿沟。该框架将因果场景分解为四层抽象的可复用因果原语，并通过双通道路由网络动态构建任务特定的因果执行图。其核心创新在于采用“因果干预驱动的元进化”策略，使系统能在约束马尔可夫决策过程中实现自主自我改进。实验表明，该方法在因果发现、反事实推理及组合泛化方面显著优于现有基准，为构建具备类人因果抽象与持续自优化能力的 AI 系统提供了可解释架构。