迭代因果发现：边缘不可达性证书、分层感知查询及1+K下界
机器学习
2026-05-28 v1 机器学习
摘要
因果发现算法返回有向图，但缺乏原则性方法区分数据确定的边方向与依赖假设指定的边方向。在标准的马尔可夫条件和忠实性条件下，观察分布仅识别出一个马尔可夫等价类；该等价类内部的方向由联合分布本身无法决定，仅凭额外样本无法恢复，需依赖函数限制或干预。我们引入一种针对连续数据的观察性因果发现协议，为每个候选边附加离散不可达性证書：RESOLVED 代码记录该方向所依据的可识别性定理，而 IMPOSSIBLE 代码记录失败模式及具体需由领域专家回答的問題。将双变量级联扩展引入五个带门控可识别性层级 LSNM、IGCI、Stein、MDL、PEIT，这些方法在预条件检测失败时会中止。两种 oracle 原语——meta-hub 查询与节点子节点查询——共同建立 个专家交互的上界，足以恢复任意有向无环图，其中 表示非叶子节点数量。在理想 oracle 假设下，该下界在 asia、sachs、child 和 alarm 基准测试中被精确实现。
引用
@article{arxiv.2605.27477,
title = {Iterative Causal Discovery: Per-Edge Impossibility Certificates, Tier-Aware Oracle Queries, and the $1+K$ Lower Bound},
author = {Eichi Uehara},
journal= {arXiv preprint arXiv:2605.27477},
year = {2026}
}
备注
Contains 10 figures and 5 tables