发现有向混合图的实验设计

我们研究了用于准确识别简单结构因果模型 (SCM) 中因果图结构的实验设计问题，其中 underlying graph (底图) 可能包含由潜在混杂因素引起的循环和双向边。循环的存在使得仅凭观察数据无法恢复图的骨架，而混杂进一步可能在某些情景下使传统条件独立 (CI) 检验失效。为此，我们在文中建立了关于单个实验中可干预的最大变量数以及识别所有有向边和非相邻双向边所需的实验总数的下界。我们利用 CI 检验和 do see 检验，并考虑 $d$ 分离和 $\sigma$ 分离，发展出两类算法，即有界类和无界类，能够恢复除双相邻双向边之外的所有因果边。我们进一步表明，所提出的算法相对于推导的下界在对数因子上是紧密的。