概率因果识别：从递归到闭式边界
人工智能
2026-02-02 v3
摘要
概率因果 (PoC) 是反事实分析和个性化决策的基本量，但现有分析结果主要局限于二元情境。本文通过在结构因果模型中利用标准实验和观察分布，推导了针对离散 PoC 代表性家族的闭式边界，将 PoC 扩展到多取值处理和结果。我们提出 PoC 等价类的概念，该概念将任意离散 PoC 化简为该家族，并建立可置换原则，实现跨值排列的边界传递。对于得到的边界，我们在所有维度上证明了严格性，通过 Balke 的线性规划方法在低维情形中实证验证了紧密性；进一步推测该紧密性可推广至所有维度。仿真结果表明，闭式边界在保持计算更简便的同时，始终紧于最近的递归边界。最后，我们通过 toy 示例说明了本文结果的实际相关性。
引用
@article{arxiv.2505.15274,
title = {Identification of Probabilities of Causation: from Recursive to Closed-Form Bounds},
author = {Xin Shu and Shuai Wang and Ang Li},
journal= {arXiv preprint arXiv:2505.15274},
year = {2026}
}