arXiv cs.AI· Hoang Dang, Luan Pham, Minh Nguyen·· 1 天前AI 评分31
交互式遥测中的因果发现：面向效应层面的验证框架
Effect-Level Validation for Causal Discovery in Interactive Telemetry
AI 导读
研究提出一种"可采纳性优先"框架，将因果发现得到的图视为结构假设，仅保留能识别目标效应且处理组与对照组重叠充分的图，再用跨算法稳定性、安慰剂、子采样和 E-value 诊断验证效应。在真实 RPG 遥测数据上，可采纳的 DAG 一致给出正向的队列条件风险差 ATE，但幅度随调整集与约束设定变化；已知真值模拟表明这些检查无法排除未测量混杂，且可识别率在不同游戏数据集间不可迁移。
正文 · AI 翻译
摘要：因果发现正越来越多地用于分析交互系统的遥测数据，但一个看似合理的图并不能保证可识别的或可靠的产品决策。我们针对一个查询研究这个问题：在一款已部署的角色扮演游戏（RPG）中，早期竞技性游玩是否会提高首日留存率。我们提出了一个可采纳性优先的框架，将发现的图视为结构性假设，只保留能够识别目标效应且具有充分处理-对照重叠的图，并通过跨算法稳定性、安慰剂、子采样和 E 值诊断来验证可采纳的效应。在真实遥测数据上，在最小约束下，返回有向无环图（DAG）的可采纳运行是那些其图中玩家对战（PvP）没有父节点的运行，因此它们估计的是混杂的原始差异；在完整约束集下，所有运行都是可采纳的。返回部分祖先图（PAG）的运行不通过 DAG 门控评估，单独报告。可采纳的 DAG 在一个调整集上一致，并返回一个正的、队列条件风险差平均处理效应（ATE），低于原始留存差距；该估计在安慰剂和子采样检查下保持其符号，但其幅度随调整集和约束规范而变化。一个已知真值的模拟表明，这些检查在给定测量变量的情况下筛选识别性和稳定性，但不能证明不存在未测量的混杂，而第二个游戏遥测数据集表明可识别率不可迁移。因此，图级恢复是因果可靠性的弱代理；用于决策支持的发现流程应在查询和效应层面进行评估。
| 评论： | 已被 NeurIPS 2026 接收（评估与数据集 Track）。Camera-ready 版本，23 页 |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2602.08340 [cs.AI] |
| （或 arXiv:2602.08340v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2602.08340 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Luan Pham [查看电子邮件]
[v1]
2026年2月9日星期一 07:26:55 UTC（192 KB）
[v2]
2026年11月12日星期四 01:28:52 UTC（140 KB）
来源：arXiv cs.AI · arxiv.org