编辑推荐：
为解决深度学习模型易学习虚假关联、在需因果及反事实推理任务中应用受限的问题，研究人员提出双向神经网络（BNN），整合正向因果与逆向反事实推理。实验表明其在因果推理泛化性、处理 OOD 数据等方面表现优异，为相关研究提供新方法。
在医疗健康领域，精准调控血糖对糖尿病患者至关重要。然而，传统机器学习模型在处理血糖控制这类需因果和反事实推理的任务时，常因过度依赖数据表面关联，难以区分因果关系与虚假关联，导致在分布外数据（OOD）场景下预测不稳定，且在强化学习（RL）中面临奖励稀疏、样本效率低等问题。如何让模型具备因果推理的 “前瞻性” 和反事实推理的 “回溯性”，成为突破现有技术瓶颈的关键。
为解决上述难题，哈尔滨工业大学的研究人员开展了基于可逆神经网络的双向推理方法研究。他们提出双向神经网络（Bidirectional Neural Network，BNN），将正向因果推理与逆向反事实推理整合至统一框架，旨在提升模型在复杂决策场景中的泛化能力与决策效率。研究成果发表在《Computer Methods and Programs in Biomedicine》。
研究主要采用以下关键技术方法：
- 可逆神经网络架构：通过多堆叠仿射耦合层（affine coupling layers）实现网络可逆性，确保正向因果推理与逆向反事实推理的双向传导。
- 正交权重归一化技术：提升网络训练效率，保证参数双向可微性，强化反事实推理的稳定性。
- 强化学习整合：将反事实推理能力嵌入 RL 的策略函数，缓解血糖控制中奖励稀疏问题，优化决策过程。
- 实验平台：采用经美国 FDA 认证的 UVA/Padova 1 型糖尿病模拟器（T1DMs），基于真实糖尿病患者健康数据开展实验。
研究结果
因果推理与血糖预测
研究通过监督学习任务验证 BNN 的因果推理能力。在多个体血糖预测实验中，BNN 相比传统模型展现出更强的分布外数据泛化性。结果表明，其通过因果推理捕捉到血糖变化的本质关联（如胰岛素剂量与血糖波动的因果关系），而非依赖训练数据中的表面统计规律，从而在 OOD 场景下保持预测准确性。
反事实推理与血糖控制
在基于强化学习的血糖控制任务中，BNN 的反事实推理能力显著提升了决策效率。通过逆向推导 “若需达到某一血糖目标，需采取何种胰岛素干预”，模型可在决策前进行目标导向的假设性推演，减少无效探索行为。实验显示，与对比模型相比，BNN 在样本效率（仅需更少交互数据即可收敛）、收敛速度（迭代次数减少 30%）和血糖控制效果（波动幅度降低 25%）上均表现优异。
模型鲁棒性与设计要素分析
进一步实验探讨了因果图结构和网络参数规模对 BNN 性能的影响。结果表明，合理的因果图设计（明确变量间因果顺序）可增强模型的因果不变性，而适当扩大隐藏层规模（如隐藏单元数增加至 512）能提升反事实推理的表征能力，但需平衡计算复杂度。
研究结论与意义
BNN 通过整合因果与反事实推理，为解决复杂系统中的决策问题提供了新范式。其核心价值在于：
- 方法论创新：首次将可逆神经网络与双向推理结合，突破传统模型单向预测局限，为因果机器学习提供了可解释的架构模板。
- 医疗应用价值：在糖尿病血糖控制场景中，BNN 通过因果推理实现可靠预测，借助反事实推理优化干预策略，有望为个性化胰岛素治疗提供智能化工具，降低临床决策风险。
- 领域扩展性：该框架可迁移至其他需因果决策的健康医学领域（如药物剂量优化、慢性病管理），为数据稀疏场景下的精准医疗提供技术支撑。
研究同时指出，尽管 BNN 在泛化性和决策效率上表现突出，但其在多模态数据融合（如整合饮食、运动等非结构化数据）及实时计算性能方面仍有优化空间。未来可进一步探索轻量化架构与边缘计算技术，推动其向临床实时应用转化。
