CausalGuard：基于图不确定性的保守推断
机器学习
2026-05-22 v1 人工智能
统计方法学
摘要
从观察数据估计处理效应需要选择调整集合，但有效的调整取决于未知的因果图。图的误指定可能导致覆盖不足，而图无关的保守包装器可能仅通过大幅填充来恢复名义覆盖率。我们引入CausalGuard，一种结构加权保守框架，通过聚合图条件下双正性伪结果进行校准。从LLM生成的边先验中提出候选DAG，依据条件独立检验修剪，并依据贝叶斯信息准则重新加权。随后，CausalGuard对后验加权伪结果进行校准。CausalGuard为聚合伪结果提供分布自由的有限样本边际覆盖率；在满足因果识别、重叠性、条件均值违和性稳定性和对目标对齐有效调整策略的浓度假设下，其条件均值收敛于真实条件平均处理效应。跨越五个基准测试，CausalGuard在直接可评估目标上实现了超过名义90%的平均覆盖率，并且在图无关保守基线需要大幅填充时缩小置信区间。压力测试表明，CausalGuard抑制了无效的协变量调整，并在保留数据支持的候选集时保持稳定。
引用
@article{arxiv.2605.21928,
title = {CausalGuard: Conformal Inference under Graph Uncertainty},
author = {Vikash Singh and Weicong Chen and Debargha Ganguly and Yanyan Zhang and Nengbo Wang and Sreehari Sankar and Mohsen Hariri and Alexander Nemecek and Chaoda Song and Shouren Wang and Biyao Zhang and Van Yang and Erman Ayday and Jing Ma and Vipin Chaudhary},
journal= {arXiv preprint arXiv:2605.21928},
year = {2026}
}