Symmetries and Causality: Causal Effect Identification Beyond IID Data
对称性与因果性：超越独立同分布数据的因果效应识别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：摘要直接提出因果模型、查询及从数据识别因果效应的形式化框架，具有明确的因果推断内容。
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
对称性与因果性：超越独立同分布数据的因果效应识别
- 研究问题
- 如何利用保持因果机制不变的数据对称性，建立涵盖非独立同分布数据、数据迁移及复杂因果查询的统一识别语言？
- 方法与思路
- 作者形式化统计系统、因果模型和查询，以机制不变的对称性组织数学框架，并提出从数据识别查询的基础结构与策略。
- 材料陈述的贡献
- 摘要称该框架重现独立同分布与数据迁移的标准结果，并扩展至传统干预难以表达的查询，同时联系缺失数据和稳健性问题。
- 阅读关注点
- 应核对对称性及机制不变性的精确定义、模型和查询如何对应既有框架，以及非独立同分布情形识别结论所需条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未提供具体识别定理、证明或估计算法，无法判断扩展范围和实际可操作性。
原文摘要
In the natural sciences, symmetries and cause-effect relationships are ubiquitous. Yet for complex machine-learning tasks, like world-modeling in reinforcement learning, they appear difficult to harness. We propose a formal description of statistical systems based on symmetries in data leaving causal mechanisms invariant. The result is an abstract, simple and general mathematical language for causal reasoning. This paper provides formal descriptions of models and queries, setting up this language, and the formal infrastructure and strategies for their mathematically rigorous identification from data within this formalism. This approach reproduces and matches standard theoretical results on IID data and transport of experimental and non-experimental data. But its main purpose is to unify and substantially extend the scope of causal reasoning, in going beyond IID data and in approaching complex causal queries not captured by do- or soft-interventions. This new perspective on causally relevant aspects of data-modeling additionally sheds new light on well-known structures like c-components or hedges but also includes aspects of missing data and is inherently well-suited for the description of transfer and robustness properties.