Do Finetti: On Causal Effects for Exchangeable Data
Do Finetti：可交换数据的因果效应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：摘要直接研究可交换数据中的干预、因果发现及效应识别与估计。
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…
Do Finetti：可交换数据的因果效应
- 研究问题
- 当多环境数据可交换但并非独立同分布时，如何在独立因果机制假设下建立适用的因果效应识别与估计框架？
- 方法与思路
- 作者为可交换生成过程构造广义因果框架及截断分解公式，以因果Pólya瓮模型说明干预，并提出联合学习算法。
- 材料陈述的贡献
- 摘要称，该框架支持可交换数据中的效应识别与估计，并提供利用多环境数据同时开展因果发现和效应估计的算法。
- 阅读关注点
- 应核对独立因果机制和可交换性的具体含义，截断分解对应的干预定义，以及多环境算法的识别与估计条件。
- 阅读边界
- 这是arXiv预印本，同行评审及接收状态未核实；摘要未列出完整假设和算法保证，不能推广至任意非独立数据。
原文摘要
We study causal effect estimation in a setting where the data are not i.i.d. (independent and identically distributed). We focus on exchangeable data satisfying an assumption of independent causal mechanisms. Traditional causal effect estimation frameworks, e.g., relying on structural causal models and do-calculus, are typically limited to i.i.d. data and do not extend to more general exchangeable generative processes, which naturally arise in multi-environment data. To address this gap, we develop a generalized framework for exchangeable data and introduce a truncated factorization formula that facilitates both the identification and estimation of causal effects in our setting. To illustrate potential applications, we introduce a causal Pólya urn model and demonstrate how intervention propagates effects in exchangeable data settings. Finally, we develop an algorithm that performs simultaneous causal discovery and effect estimation given multi-environment data.