Verifying formulas for interventional distributions
干预分布公式的验证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：摘要围绕因果图中的干预分布识别、观测公式验证和前门调整集合展开，直接属于因果识别方法研究。
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…
干预分布公式的验证
- 研究问题
- 给定因果图及一个观测分布公式，如何判断该公式确实识别目标干预分布，而不仅判断是否存在某个可识别公式？
- 方法与思路
- 作者形式化公式验证问题，提出反证器，并据此构造正则指数族模型中的验证器及寻找前门公式可用集合的 gateway 检验。
- 材料陈述的贡献
- 摘要称完整的识别算法仍不能解决公式验证，并证明所提验证器在正则指数族中几乎必然正确，可找出全部前门可用集合。
- 阅读关注点
- 应核对验证与识别的逻辑区别、反证器的生成机制、几乎必然正确所针对的随机性，以及正则指数族与前门集合的范围。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要未展示完整算法与证明，几乎必然正确的结论限于所述模型条件，不能普遍推广。
原文摘要
We formalize verification in causal graphical models: deciding whether a given observational formula identifies a target interventional distribution. This opens a problem complementary to identification, asking not whether any identifying formula exists, but whether the given formula is identifying. We show that even sound and complete solutions to identification do not solve verification. We propose a falsifier as a first practical route forward, prove that it induces an almost-surely correct verifier for regular exponential-family models, and use the resulting verifier to develop the gateway test, which finds all sets admissible for use in a front-door formula.