arXiv cs.AI· Martin Rabel, Jakob Runge·· 11 小时前AI 评分31
Symmetries and Causality：超越 IID 数据的因果效应识别理论
Symmetries and Causality: Causal Effect Identification Beyond IID Data
AI 导读
一篇 arXiv 论文提出基于对称性的因果效应识别理论，用使因果机制保持不变的数据对称性作为统计重复来源，从而从非 IID 数据中识别复杂因果查询。该框架将识别任务拆分为提取、计算和查询表达三步，可复现 IID 数据及实验与非实验数据迁移的标准理论结果，并能表达 do- 或软干预无法描述的复杂因果查询。
正文 · AI 翻译
摘要：我们为从非 IID 数据中识别复杂因果查询建立了理论。我们提出了一种基于数据对称性的随机系统形式化描述，这些对称性使因果机制保持不变。这些对称性成为识别所需统计重复性的来源，并要求从观测到查询的知识迁移。其结果是一种抽象、简单且非常通用的因果推理语言。我们给出了模型和查询的描述，以及用于对其进行数学严格识别的形式化基础设施。所提出的结构支持若干简化原则：机制与干预的共享描述、观测结构与查询结构的对偶性，以及将识别任务细分为三个步骤——提取、计算和查询表达。我们的方法复现并匹配了关于 IID 数据以及实验与非实验数据迁移的标准理论结果。在设计上，它还可应用于 IID 数据之外，并能捕捉无法通过 do- 或软干预表达的复杂因果查询。
| 学科： | 统计学理论（math.ST）；人工智能（cs.AI） |
| MSC 分类： | 62A09, 68T37 |
| 引用为： | arXiv:2609.03697 [math.ST] |
| （或 arXiv:2609.03697v2 [math.ST] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.03697 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Martin Rabel [查看电子邮件]
[v1]
2026年9月3日星期四 11:34:44 UTC（153 KB）
[v2]
2026年10月20日星期二 13:30:30 UTC（169 KB）
来源：arXiv cs.AI · arxiv.org