Causal Effect Identification in Uncertain Causal Networks
不确定因果网络中的因果效应识别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：摘要核心是因果图不确定性下指定因果效应的可识别性，而非经济网络中的干扰效应。
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…
不确定因果网络中的因果效应识别
- 研究问题
- 当因果图中的边仅以概率表达其存在可信度时，如何找到可信度最高、同时允许识别指定因果效应的子图？
- 方法与思路
- 作者把概率图中的可识别子图选择转化为名为edge ID的组合优化问题，研究计算复杂度，并提出近似求解算法。
- 材料陈述的贡献
- 摘要称，该选择问题归结为NP完全的组合优化问题，并提供高效近似算法，以真实网络和随机图评估算法表现。
- 阅读关注点
- 应核对边存在概率如何形成子图可信度、图不确定性的建模方式，以及近似算法是否具备可行性或误差保证。
- 阅读边界
- 这是arXiv预印本，同行评审或接收状态未核实；摘要未说明概率模型与近似保证，所选子图能识别效应不等于真实结构已确定。
原文摘要
Causal identification is at the core of the causal inference literature, where complete algorithms have been proposed to identify causal queries of interest. The validity of these algorithms hinges on the restrictive assumption of having access to a correctly specified causal structure. In this work, we study the setting where a probabilistic model of the causal structure is available. Specifically, the edges in a causal graph exist with uncertainties which may, for example, represent degree of belief from domain experts. Alternatively, the uncertainty about an edge may reflect the confidence of a particular statistical test. The question that naturally arises in this setting is: Given such a probabilistic graph and a specific causal effect of interest, what is the subgraph which has the highest plausibility and for which the causal effect is identifiable? We show that answering this question reduces to solving an NP-complete combinatorial optimization problem which we call the edge ID problem. We propose efficient algorithms to approximate this problem and evaluate them against both real-world networks and randomly generated graphs.