Clustering and Pruning in Causal Data Fusion
因果数据融合中的聚类与剪枝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：摘要明确研究观察与实验数据融合中的因果图简化、效应可识别性及识别泛函，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
因果数据融合中的聚类与剪枝
- 研究问题
- 将变量覆盖范围不同的观察与实验数据进行融合时，如何缩小因果图，同时保留判断目标效应可识别性所需的信息？
- 方法与思路
- 作者把删除不必要变量的剪枝与合并变量的聚类作为预处理，推广单数据源结果，并推导多数据源下可使用这些操作的条件。
- 材料陈述的贡献
- 摘要称，作者给出从小图推断大图效应可识别或不可识别的充分条件，以及在可识别情形恢复相应识别泛函的方法。
- 阅读关注点
- 应核对剪枝与聚类对各数据源可观测变量和干预信息的要求，以及小图结论如何映射回原图及其识别泛函。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收状态未核实；摘要仅说明充分条件，未说明条件是否必要，也未量化计算效率的实际改善。
原文摘要
Data fusion, the process of combining observational and experimental data, can enable the identification of causal effects that would otherwise remain non-identifiable. Although identification algorithms have been developed for specific scenarios, do-calculus remains the only general-purpose tool for causal data fusion, particularly when variables are present in some data sources but not others. However, approaches based on do-calculus may encounter computational challenges as the number of variables increases and the causal graph grows in complexity. Consequently, there exists a need to reduce the size of such models while preserving the essential features. For this purpose, we propose pruning (removing unnecessary variables) and clustering (combining variables) as preprocessing operations for causal data fusion. We generalize earlier results on a single data source and derive conditions for applying pruning and clustering in the case of multiple data sources. We give sufficient conditions for inferring the identifiability or non-identifiability of a causal effect in a larger graph based on a smaller graph and show how to obtain the corresponding identifying functional for identifiable causal effects. Examples from epidemiology and social science demonstrate the use of the results.