面向部分因果效应识别的最优实验
人工智能
2026-05-11 v1 机器学习
摘要
因果查询通常仅能从观测数据中部分识别，而能够收紧所得边界的实验往往成本高昂。我们研究了在观测实验结果之前，选择一个受成本约束的实验子集以最大程度收紧目标查询边界的问题。我们将此形式化为最大效力问题，其中认知效力度量由实验保证的边界宽度的最坏情况缩减量，并通过从 0-1 背包问题的归约证明该问题是 NP 难的。基于 Duarte 等人（2023）的多项式规划框架，我们给出了一种在离散环境下评估认知效力的通用程序。为控制超指数级的搜索空间，我们引入了两种仅依赖于因果图和查询的图剪枝准则：一种新颖的路径拦截规则，利用区域结构在线性时间内认证零效力；以及一种基于 ID 算法的可识别性检验。在 Erdos-Renyi 随机图和 11 个 bnlearn 基准网络上，这两种准则平均能够剪枝 50-88% 的候选实验，且无需求解任何多项式规划。对于一般的子集搜索，我们证明了经 ID 剪枝的实验在组合上是惰性的，从而在评估的子集数量上实现了超指数级的缩减。最后，我们在观测性 NHANES 数据上进行了端到端演示，选择最优实验以估计体育锻炼对糖尿病的影响。
引用
@article{arxiv.2605.06993,
title = {Optimal Experiments for Partial Causal Effect Identification},
author = {Tobias Maringgele and Jalal Etesami},
journal= {arXiv preprint arXiv:2605.06993},
year = {2026}
}