来自反事实数据的因果识别: 完备性与边界结果
人工智能
2026-03-05 v2 机器学习
摘要
先前工作在输入数据属于观察或干预分布(珍 Pearl因果层次的第1层和第2层)的情形下, 建立了反事实识别的完备性结果, 由于普遍认为不可能获取来自反事实分布(第3层)的数据, 因此限制于此。然而, 最近的工作(Raghavan & Bareinboim, 2025)形式化地刻画了一族可以直接通过实验方法估计的反事实分布, 称为反事实可实现性。这留下了一个问题: 就现有的Layer 3数据获取能力而言, 现在还能识别哪些额外的反事实量?为回答此问题, 我们发展了CTFIDU+算法, 用于从任意Layer 3分布集合中识别反事实查询, 并证明其完备。基于此, 我们确立了从物理可实现分布中可识别反事实的理论极限, 从而暗示了在非参数设置下进行精确因果推断的根本限制。最后, 鉴于某些关键类型的反事实无法识别, 我们推导了使用可实现反事实数据对此类量的新型解析边界, 并通过仿真验证反事实数据在实践中有助于缩紧不可识别量的边界。
引用
@article{arxiv.2602.23541,
title = {Causal Identification from Counterfactual Data: Completeness and Bounding Results},
author = {Arvind Raghavan and Elias Bareinboim},
journal= {arXiv preprint arXiv:2602.23541},
year = {2026}
}