A Mathematical Framework for Topological Causal Data Analysis
拓扑因果数据分析的数学框架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：摘要同时研究潜在结局和干预分布的因果对比，直接涉及因果识别与分布层面的效应目标，未研究网络干扰。
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
拓扑因果数据分析的数学框架
- 研究问题
- 当结局是图像、点云或空间场等结构化对象，简单潜在结局相减不适用时，如何定义和识别具有形状意义的因果目标？
- 方法与思路
- 作者区分观测空间、因果模型、拓扑表示和查询，分别研究个体结局与干预分布的拓扑对比，并推导识别和稳健表示。
- 材料陈述的贡献
- 摘要提出 Banach 空间摘要的识别与双重稳健表示、分布目标的稳定性和一致性结果，并澄清拓扑对因果发现的有限作用。
- 阅读关注点
- 应核对两层目标何时一致、拓扑摘要保留的信息、目标特定可忽略性，以及稳定性界与因果识别假设之间的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未经核实；摘要未列出完整条件和估计实现，拓扑结构本身不能提供干预识别。
原文摘要
Many modern outcomes, including images, point clouds, networks, and spatial fields, are structured objects for which \(Y^1-Y^0\) may be undefined or scientifically inadequate. We introduce \emph{Topological Causal Data Analysis} (TCDA), a framework separating the observation space, causal-model class, topological representation, and causal query. Topology does not define interventions; it supplies stable, shape-sensitive summaries after causal assumptions have been specified. We distinguish outcome-level TCDA, which transforms individual potential outcomes, from distribution-level TCDA, which transforms interventional outcome laws, and characterize when outcome and distribution level contrasts agree. Building on recent outcome-level theory, we formulate identification and doubly robust representations for Banach-space-valued summaries. At the distribution level, we identify targets through the standard causal \(g\)-formula and derive stability-transfer bounds and plug-in consistency. We also place target-specific topological ignorability within the framework, clarifying when a covariate-standardized coarse effect can be identified without identifying the full interventional laws. Finally, we delimit the role of observational topology in causal discovery: it can assist diagnosis on restricted model classes but cannot by itself identify causal structure.