arXiv cs.AI· Arvind Raghavan, Elias Bareinboim·· 3 天前AI 评分22
从反事实数据中进行因果识别：完备性与边界结果
Causal Identification from Counterfactual Data: Completeness and Bounding Results
AI 导读
针对反事实可实现性带来的 Layer 3 数据，研究者提出 CTFIDU+ 算法，可从任意 Layer 3 分布集合中识别反事实查询，并证明其完备性。该工作进一步刻画了物理可实现分布下反事实可识别性的理论极限，即非参数设定下精确因果推断的根本边界。对于无法识别的关键反事实量，作者推导出新的解析边界，并通过模拟验证反事实数据能收紧这些边界。
正文 · AI 翻译
摘要：此前关于反事实识别完备性结果的研究一直局限于输入数据属于观测分布或干预分布的情形（即 Pearl 因果层级中的第 1 层和第 2 层），因为人们普遍认为无法从属于第 3 层的反事实分布中获取数据。然而，近期工作（Raghavan & Bareinboim, 2025）已正式刻画了一类可通过实验方法直接估计的反事实分布——他们称之为反事实可实现性。这就留下了一个问题：在如今能够获取（部分）第 3 层数据的情况下，还有哪些额外的反事实量变得可识别。为回答这一问题，我们开发了 CTFIDU+ 算法，用于从任意一组第 3 层分布中识别反事实查询，并证明其在该任务上是完备的。在此基础上，我们确立了可从物理可实现分布中识别哪些反事实的理论极限，从而意味着非参数设定下精确因果推断的根本极限。最后，鉴于某些关键类型的反事实无法被识别，我们利用可实现的反事实数据为这类量推导出新的解析界，并通过模拟证实反事实数据在实践中有助于收紧不可识别量的界。
| 评论： | 发表于 ICML'26 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| ACM 分类： | F.4.1; G.3 |
| 报告 编号： | Causal AI lab TR-144 |
| 引用为： | arXiv:2602.23541 [cs.AI] |
| （或本版本使用 arXiv:2602.23541v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2602.23541 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Arvind Raghavan [查看邮箱]
[v1]
2026 年 2 月 26 日星期四 22:48:12 UTC（1,668 KB）
[v2]
2026 年 3 月 3 日星期二 20:56:54 UTC（1,668 KB）
[v3]
2026 年 10 月 9 日星期五 20:21:49 UTC（2,034 KB）
来源：arXiv cs.AI · arxiv.org