Linear-Time Primitives for Algorithm Development in Graphical Causal Inference
图形因果推断算法开发的线性时间基础操作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：摘要明确研究图形因果推断的算法基础操作，并包含工具变量相关算法。
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…
图形因果推断算法开发的线性时间基础操作
- 研究问题
- 能否把多种图形因果推理任务统一为可复用的可达性操作，从而简化算法开发并降低常用图变换带来的计算成本？
- 方法与思路
- 作者提出 CIfly，以遍历时即时构造的状态空间图和规则表描述算法，证明线性时间性质，并介绍可由 Python 和 R 调用的 Rust 实现。
- 材料陈述的贡献
- 摘要称建立统一的线性时间算法框架，将道德化与潜在投影的复杂度联系到布尔矩阵乘法，并复现既有任务、提出新的工具变量算法。
- 阅读关注点
- 应核对规则表允许的算法范围、线性复杂度所依据的输入规模，以及与图变换的复杂度比较、工具变量算法正确性和实现接口。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未列出复杂度证明条件或性能数值；开源实现仅据摘要陈述，未核验代码。
原文摘要
We introduce CIfly, a framework for efficient algorithmic primitives in graphical causal inference that isolates reachability as a reusable core operation. It builds on the insight that many causal reasoning tasks can be reduced to reachability in purpose-built state-space graphs that can be constructed on the fly during traversal. We formalize a rule table schema for specifying such algorithms and prove they run in linear time. We establish CIfly as a more efficient alternative to the common primitives moralization and latent projection, which we show are computationally equivalent to Boolean matrix multiplication. Our open-source Rust implementation parses rule table text files and runs the specified CIfly algorithms providing high-performance execution accessible from Python and R. We demonstrate CIfly's utility by re-implementing a range of established causal inference tasks within the framework and by developing new algorithms for instrumental variables. These contributions position CIfly as a flexible and scalable backbone for graphical causal inference, guiding algorithm development and enabling easy and efficient deployment.