Constrained Identifiability of Causal Effects
约束条件下因果效应的可识别性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：摘要直接研究因果图与额外模型约束下的因果效应可识别性，并与传统识别算法比较，明确属于因果推断的识别理论。
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
约束条件下因果效应的可识别性
- 研究问题
- 除因果图之外，逻辑等约束限制了允许的模型集合时，原本不可识别的因果效应能否变得可识别，并如何系统检验这种变化？
- 方法与思路
- 作者将约束集合纳入可识别性的定义，提出基于可处理算术电路的检验框架，以系统表达约束并分析相应模型集合。
- 材料陈述的贡献
- 摘要称算术电路方法对传统可识别性检验至少具备现有算法的完备性，并用例子展示额外约束如何使部分效应变得可识别。
- 阅读关注点
- 应核对约束的表示方式、模型类别与正值性要求，以及完备性比较的准确范围，并检查可处理性是否随图和约束复杂度变化。
- 阅读边界
- 这是arXiv预印本，不能据此确认同行评审或期刊接收；摘要未给出算法复杂度及完整适用条件，示例不能证明任意约束都能高效处理。
原文摘要
We study the identification of causal effects in the presence of different types of constraints (e.g., logical constraints) in addition to the causal graph. These constraints impose restrictions on the models (parameterizations) induced by the causal graph, reducing the set of models considered by the identifiability problem. We formalize the notion of constrained identifiability, which takes a set of constraints as another input to the classical definition of identifiability. We then introduce a framework for testing constrained identifiability by employing tractable Arithmetic Circuits (ACs), which enables us to accommodate constraints systematically. We show that this AC-based approach is at least as complete as existing algorithms (e.g., do-calculus) for testing classical identifiability, which only assumes the constraint of strict positivity. We use examples to demonstrate the effectiveness of this AC-based approach by showing that unidentifiable causal effects may become identifiable under different types of constraints.