arXiv cs.AI· Simon Ferreira, Charles K. Assaad·· 10 小时前AI 评分18
在 ADMGs 上的 C-DMG 中识别宏观因果效应
Identifying Macro Causal Effects in a C-DMG over ADMGs
AI 导读
针对部分指定的因果图，研究聚焦 cluster-directed mixed graphs（C-DMGs）中的宏观因果效应识别，即整个变量簇对其他簇的影响。作者证明，在簇大小未知或大于 1 时，do-calculus 对在 ADMGs 上的 C-DMGs 中识别宏观因果效应既可靠又完备，并给出了不可识别性的图形化刻画。该工作已被 TMLR 接收。
正文 · AI 翻译
摘要：使用因果图进行因果效应识别是因果推断中的一个基本挑战。尽管该领域已有大量研究，但现有方法大多假设可获得完全指定的有向无环图或无环有向混合图。然而，在医学和流行病学等复杂领域中，完整的因果知识往往无法获得，只能获取系统的部分信息。本文关注部分指定因果图中的因果效应识别，尤其侧重于簇有向混合图（C-DMG），这类图可以表示许多不同的无环有向混合图（ADMG）。这些图通过将变量分组为簇，提供了因果关系的更高层表示，为处理复杂系统提供了一种更实用的方法。与完全指定的 ADMG 不同，C-DMG 可能包含环，这使其分析和解释变得复杂。此外，其基于簇的特性带来了新的挑战，因为它产生了两种不同类型的因果效应：宏观因果效应和微观因果效应，二者各自具有不同的性质。在本工作中，我们关注宏观因果效应，即描述整个簇对其他簇的影响。我们证明，当簇大小未知或大于一时，do-演算对于在 ADMG 上的 C-DMG 中识别这些效应既是可靠的也是完备的。此外，我们给出了这些图中宏观因果效应不可识别性的图形化刻画。
| 评论： | 本文及其假设的初始版本已被 TMLR 接收 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2504.01551 [cs.AI] |
| （或 arXiv:2504.01551v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2504.01551 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Simon Ferreira [查看邮箱]
[v1]
2025年4月2日星期三 09:48:27 UTC（51 KB）
[v2]
2025年9月2日星期二 09:50:44 UTC（51 KB）
[v3]
2026年11月10日星期二 15:23:14 UTC（48 KB）
来源：arXiv cs.AI · arxiv.org