Linear-Time Algorithms for Front-Door Adjustment in Causal Graphs
因果图中前门调整的线性时间算法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：摘要明确以未观测混杂下的前门因果识别为任务，图在此用于表达因果结构，并未涉及社会网络干扰或同伴效应。
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…
因果图中前门调整的线性时间算法
- 研究问题
- 在存在未观测混杂的因果有向无环图中，如何高效寻找满足前门准则的调整集，并进一步枚举这些集合或寻找极小调整集？
- 方法与思路
- 作者设计寻找前门调整集的线性时间算法，并扩展到全部调整集的枚举和极小集搜索；摘要还称提供多语言实现及大图实验验证。
- 材料陈述的贡献
- 摘要称，寻找调整集与极小调整集均可达 O(n+m) 时间，枚举全部集合的延迟为 O(n(n+m))，并据此宣称改进既有算法复杂度。
- 阅读关注点
- 应核对算法所需图信息、前门准则的具体版本、正确性与复杂度证明，并区分极小集合与基数最小集合，检查枚举是否完整且无重复。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明图结构限制或实验规模，算法找到调整集也不能验证输入因果图的正确性。
原文摘要
Causal effect estimation from observational data is a fundamental task in empirical sciences. It becomes particularly challenging when unobserved confounders are involved in a system. This paper focuses on front-door adjustment -- a classic technique which, using observed mediators allows to identify causal effects even in the presence of unobserved confounding. While the statistical properties of the front-door estimation are quite well understood, its algorithmic aspects remained unexplored for a long time. In 2022, Jeong, Tian, and Bareinboim presented the first polynomial-time algorithm for finding sets satisfying the front-door criterion in a given directed acyclic graph (DAG), with an $O(n^3(n+m))$ run time, where $n$ denotes the number of variables and $m$ the number of edges of the causal graph. In our work, we give the first linear-time, i.e., $O(n+m)$, algorithm for this task, which thus reaches the asymptotically optimal time complexity. This result implies an $O(n(n+m))$ delay enumeration algorithm of all front-door adjustment sets, again improving previous work by a factor of $n^3$. Moreover, we provide the first linear-time algorithm for finding a minimal front-door adjustment set. We offer implementations of our algorithms in multiple programming languages to facilitate practical usage and empirically validate their feasibility, even for large graphs.