Experimental Design for Causal Effect Identification
用于因果效应识别的实验设计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：摘要明确以因果效应可识别性为目标选择干预集合，涉及 do 演算和因果实验设计，直接对应因果推断。
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…
用于因果效应识别的实验设计
- 研究问题
- 当目标因果效应无法由观察性数据识别时，如何选择总成本最低的一组干预，使该效应可以被识别？
- 方法与思路
- 作者将最小成本干预选择与最小击中集问题联系，证明计算困难性，提出精确或对数因子近似算法及多项式时间启发式方法。
- 材料陈述的贡献
- 摘要称证明该设计问题为 NP-hard，给出最优或对数因子近似求解途径，并报告启发式算法在随机图模拟中遗憾值较小。
- 阅读关注点
- 应核对允许的干预类型、成本定义和图信息要求，查看击中集归约、近似保证条件及模拟中遗憾值的具体基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明完整算法条件和数值结果，随机图上的较小遗憾不构成普遍最优保证。
原文摘要
Pearl's do calculus is a complete axiomatic approach to learn the identifiable causal effects from observational data. When such an effect is not identifiable, it is necessary to perform a collection of often costly interventions in the system to learn the causal effect. In this work, we consider the problem of designing the collection of interventions with the minimum cost to identify the desired effect. First, we prove that this problem is NP-hard, and subsequently propose an algorithm that can either find the optimal solution or a logarithmic-factor approximation of it. This is done by establishing a connection between our problem and the minimum hitting set problem. Additionally, we propose several polynomial-time heuristic algorithms to tackle the computational complexity of the problem. Although these algorithms could potentially stumble on sub-optimal solutions, our simulations show that they achieve small regrets on random graphs.