Markov categories, causal theories, and the do-calculus
马尔可夫范畴、因果理论与 do 演算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：摘要直接研究因果图、干预效应分解及 do 演算的理论表达，因此对应因果推断方向。
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
马尔可夫范畴、因果理论与 do 演算
- 研究问题
- 如何用范畴论统一表达有向无环图上的因果推理，并说明独立性、条件分布和干预效应分解与 do 演算的关系？
- 方法与思路
- 作者为有向无环图构造自由马尔可夫范畴，在抽象框架内定义因果概念，并建立与 do 演算核心部分相关的句法规则。
- 材料陈述的贡献
- 摘要称，结果可超越特定结构方程或因果贝叶斯网络模型；在因果贝叶斯网络中，简化的专门演算与完整版本同样强。
- 阅读关注点
- 应核对范畴构造、抽象概念与概率模型的对应关系，以及句法规则的适用范围；尤其厘清“同样强”的正式含义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未给出定义与证明，不能将特定网络中的等价结论推广至所有模型。
原文摘要
We give a category-theoretic treatment of causal models that formalizes the syntax for causal reasoning over a directed acyclic graph (DAG) by associating a free Markov category with the DAG in a canonical way. This framework enables us to define and study important concepts in causal reasoning from an abstract and "purely causal" point of view, such as causal independence/separation, causal conditionals, and decomposition of intervention effects. Our results regarding these concepts abstract away from the details of the commonly adopted causal models such as (recursive) structural equation models or causal Bayesian networks. They are therefore more widely applicable and in a way conceptually clearer. Our results are also intimately related to Judea Pearl's celebrated do-calculus, and yield a syntactic version of a core part of the calculus that is inherited in all causal models. In particular, it induces a simpler and specialized version of Pearl's do-calculus in the context of causal Bayesian networks, which we show is as strong as the full version.