Infinitesimal Causality
无穷小因果性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接讨论干预、因果诊断及从局部几何到因果结论所需的结构条件，因此归入因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
无穷小因果性
- 研究问题
- 连续干预的局部变化如何形成统计模型上的向量场，其李括号残差在什么结构条件下能够支持因果诊断？
- 方法与思路
- 作者对平滑干预协议求导，构建向量场与法向李括号残差，联系 Frobenius 定理，并讨论随机核的一阶缺陷。
- 材料陈述的贡献
- 摘要称残差为零等价于所述常秩分布的可积条件，建立零残差性质的坐标不变性，并澄清协议依赖与因果解释条件。
- 阅读关注点
- 应核对平滑性、常秩和可见干预张成空间，区分坐标不变性与协议依赖，以及统计流形切向量和随机核导数的差别。
- 阅读边界
- 这是预印本，同行评审与期刊接收均未核实。几何残差的因果解释需要额外结构假设，摘要未提供实证识别或估计性能保证。
原文摘要
Interventions can be varied continuously in many causal models. Differentiating a specified smooth intervention protocol produces vector fields on a statistical model, and their Lie brackets describe the noncommutativity of the corresponding local perturbations. We formulate this differential geometry of interventions on smooth statistical models and call the resulting framework infinitesimal causality (IC). Given a constant-rank distribution spanned by visible intervention fields, we define the normal Lie-bracket residual and show that its vanishing is exactly the involutivity condition in the classical Frobenius theorem. We establish the coordinate invariance of the zero-residual property and characterize its dependence on the intervention protocol, visible span, and metric. Fully observed and latent-variable examples delineate the additional structural assumptions needed to interpret bracket residuals causally. We also distinguish tangent vectors on a statistical parameter manifold from derivatives of stochastic kernels. In the finite-state linearization of a Markov category, normalization and copy compatibility yield well-typed first-order defects. Normalization is automatic for differentiable paths of stochastic kernels, whereas copy compatibility characterizes a more restrictive deterministic or comonoid-preserving perturbation. Together, the geometric and kernel-level constructions make IC a precise foundation for Lie-bracket-based causal diagnostics and identify the assumptions required to pass from local intervention geometry to causal conclusions.