论成对因果背景知识的表示及其在因果推断中的应用
人工智能
2026-01-06 v2 机器学习
机器学习
摘要
关于因果边和因果路径存在或不存在的成对因果背景知识在观察性研究中经常遇到。此类约束允许 Markov 等价 DAG 受限子类中的共享有向边和无向边被表示为因果极大部分有向无环图(MPDAG)。在本文中，我们首先提供了因果 MPDAG 的可靠且完备的图刻画，并引入了因果 MPDAG 的极小表示。然后，通过引入称为直接因果子句(DCC)的新概念，我们给出了三种成对因果背景知识（包括直接、祖先和非祖先因果知识）的统一表示。利用 DCC，我们研究了成对因果背景知识的一致性和等价性，并表明任何成对因果背景知识集都可以唯一且等价地分解为表示精细化 Markov 等价类的因果 MPDAG 和一个极小的 DCC 残余集。我们还提供了用于检查一致性和等价性，以及寻找分解后的 MPDAG 和残余 DCC 的多项式时间算法。最后，利用成对因果背景知识，我们证明了识别因果效应的充分必要条件，并令人惊讶地发现因果效应的可识别性仅取决于分解后的 MPDAG。我们还开发了一种局部 IDA 型算法来估计不可识别效应的可能取值。仿真实验表明，成对因果背景知识可以显著提高因果效应的可识别性。
引用
@article{arxiv.2207.05067,
title = {On the Representation of Pairwise Causal Background Knowledge and Its Applications in Causal Inference},
author = {Zhuangyan Fang and Ruiqi Zhao and Yue Liu and Yangbo He},
journal= {arXiv preprint arXiv:2207.05067},
year = {2026}
}