arXiv cs.AI· Tobias Maringgele, Jalal Etesami·· 2 天前AI 评分29
部分因果效应识别的最优实验选择方法
Optimal Experiments for Partial Causal Effect Identification
AI 导读
针对观测数据只能部分识别因果查询、实验成本高昂的问题，研究者提出 max-potency 问题：在观测结果前选择成本受限的实验子集以最大程度收紧目标查询的边界，并证明该问题经 0-1 背包归约后为 NP-hard。
正文 · AI 翻译
摘要：因果查询往往只能从观测数据中部分识别，而能够收紧所得边界的实验通常代价高昂。我们研究在观测实验结果之前，选择一个受成本约束的实验子集，使目标查询的边界最大程度收紧的问题。我们将其形式化为最大效力问题，其中认知效力衡量实验所保证的边界宽度最坏情况下的缩减量，并通过对 0-1 背包问题的归约证明该问题是 NP 难的。基于 Duarte 等人（2023）的多项式规划框架，我们给出了一种在离散情形下评估认知效力的一般流程。为控制超指数级的搜索空间，我们引入了两个仅依赖因果图和查询的图剪枝准则：一种利用区域结构在多项式时间内证明效力为零的新路径截断规则，以及一种基于 ID 算法的可识别性检查。在 Erdos-Renyi 随机图和 11 个 bnlearn 基准网络上，这两个准则平均剪除 50-88% 的候选实验，且无需求解任何多项式规划。对于一般的子集搜索，我们证明经 ID 剪枝的实验在组合意义上是惰性的，从而在评估的子集数量上带来超指数级的缩减。最后，我们在观测性 NHANES 数据上进行了端到端演示，为估计体力活动对糖尿病的影响选择最优实验。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 人工智能（cs.AI）；机器学习（stat.ML） |
| 引用为： | arXiv:2605.06993 [cs.AI] |
| （或本版本的 arXiv:2605.06993v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.06993 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Tobias Maringgele [查看邮箱]
[v1]
2026 年 5 月 7 日星期四 22:16:58 UTC（1,504 KB）
[v2]
2026 年 9 月 5 日星期六 09:31:07 UTC（1,518 KB）
[v3]
2026 年 10 月 27 日星期二 13:52:58 UTC（1,516 KB）
来源：arXiv cs.AI · arxiv.org