算法语法因果识别

因果贝叶斯网络（CBN）中的因果识别是因果推断中的重要工具，允许在原则上可行的情况下从观测分布推导出干预分布。然而，现有大多数使用d-分离和do-calculus等技术的因果识别表述，都是在CBN上以经典概率论的数学语言表达的。但在许多因果场景中，概率论及现有的因果识别技术并不适用，例如关系数据库、硬件描述语言等数据流程序、分布式系统以及大多数现代机器学习算法。我们表明，通过用对称幺半范畴的替代公理基础取代经典概率论，可以解除这一限制。在这种替代公理化中，我们展示了如何在因果模型的一般语法与该因果模型的任何特定语义实现之间划出明确且清晰的界限。这允许通过对近期一般ID算法的表述进行翻译与修正，给出一般因果识别的纯语法算法描述。我们的描述完全以指定因果模型的非参数化ADMG结构及对应幺门范畴的代数签名来表述，随后对其应用一系列操作，从而得到一个修改后的幺门范畴，其中包含了所需的纯语法干预因果模型。我们利用这一思想推导了经典后门和前门因果调整的纯语法类似物，并展示了对更复杂因果模型的应用。