Causal Analysis 的第三支柱？关于因果表征的测量视角
经典分析与常微分方程
2025-05-26 v1 泛函分析
摘要
因果推理与发现是因果分析的两个基本任务，常因数据复杂性、噪声性和高维性而面临实际应用中的挑战。尽管近期在使用因果表征学习（CRL）识别潜在因果结构方面取得了进展，但何为有用的学习表征、如何评估它们仍未得到良好理解。本文我们使用测量模型框架重新诠释 CRL，将学习得到的表征视为潜在因果变量的代理测量。我们的方法阐明了学习表征在支持下游因果推理方面的条件，并为基于新的 Test-based Measurement EXclusivity（T-MEX）评分，对表征质量进行定量评估提供了原则依据。我们在多样化的因果推理场景中验证了 T-MEX，包括数值模拟和真实世界生态视频分析，表明所提出的框架和相应评分有效评估了学习表征的识别及其对因果下游任务的有用性。
引用
@article{arxiv.2505.17707,
title = {Sharp weak bounds for the Hardy-Littlewood-P\'{o}lya operator and the weak bounds for the multilinear integral operator},
author = {Tianyang He},
journal= {arXiv preprint arXiv:2505.17707},
year = {2025}
}