Clustering and Structural Robustness in Causal Diagrams
因果图中的聚类与结构稳健性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：摘要直接围绕因果图聚合、因果效应可识别性与结构稳健性展开，未涉及网络干扰或其他所列专门领域。
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…
因果图中的聚类与结构稳健性
- 研究问题
- 如何将大型因果图中的变量聚合为簇而保留因果效应的可识别性，以及从聚合图扩展回更细图时哪些性质保持不变？
- 方法与思路
- 作者定义 transit cluster，在特定条件下论证其保留识别性质，给出寻找全部此类簇的算法，并研究图扩展的逆问题。
- 材料陈述的贡献
- 摘要称提供可靠且完备的簇搜索算法，展示聚类如何简化因果效应识别，并建立结构稳健性与 transit cluster 的联系。
- 阅读关注点
- 应核对簇的正式定义、保留可识别性的条件及允许的图结构，并检查算法完备性、计算成本和图扩展结果的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出具体图条件与证明，不能认为任意变量聚类都保持因果识别性质。
原文摘要
Graphs are commonly used to represent and visualize causal relations. For a small number of variables, this approach provides a succinct and clear view of the scenario at hand. As the number of variables under study increases, the graphical approach may become impractical, and the clarity of the representation is lost. Clustering of variables is a natural way to reduce the size of the causal diagram, but it may erroneously change the essential properties of the causal relations if implemented arbitrarily. We define a specific type of cluster, called transit cluster, that is guaranteed to preserve the identifiability properties of causal effects under certain conditions. We provide a sound and complete algorithm for finding all transit clusters in a given graph and demonstrate how clustering can simplify the identification of causal effects. We also study the inverse problem, where one starts with a clustered graph and looks for extended graphs where the identifiability properties of causal effects remain unchanged. We show that this kind of structural robustness is closely related to transit clusters.