arXiv cs.AI· Ang Li, Scott Mueller, Xin Shu, Judea Pearl·· 12 小时前AI 评分18
因果量的 ε-可识别性
Epsilon-Identifiability of Causal Quantities
AI 导读
论文提出 ε-可识别性（epsilon-identifiability），用于在数据无法完全识别因果概率时实现近似识别：当特定子群体的行为可被限制在足够窄的范围内时，原本不可识别的因果效应与反事实概率可被 ε-识别，且这类限制条件通常易于测量和合理假设。该方法还被应用于单位选择问题（unit selection problem）。
正文 · AI 翻译
摘要：识别原因的效果与效果的原因在几乎每个科学领域都至关重要。然而，所需概率往往无法从现有数据源中完全识别。本文表明，对于若干因果概率，近似可识别性仍然可能。我们将其称为 epsilon-可识别性，并证明在特定子群体的行为可被限制在足够窄的界限内的情况下，其有用性。特别地，我们展示了在做出此类允许时，不可识别的因果效应和反事实概率如何能够被 epsilon-识别。通常，这些允许易于测量且可合理假设。最后，epsilon-可识别性被应用于单元选择问题。
| 主题： | 人工智能（cs.AI）；统计理论（math.ST） |
| 引用为： | arXiv:2301.12022 [cs.AI] |
| （或 arXiv:2301.12022v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2301.12022 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Ang Li [查看电子邮件]
[v1]
2023年1月27日星期五 23:16:57 UTC（32 KB）
[v2]
2026年10月27日星期二 03:24:17 UTC（38 KB）
来源：arXiv cs.AI · arxiv.org