Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
通过条件独立关系以多项式延迟检验含隐变量的因果模型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：摘要以含隐变量因果图的条件独立约束及模型检验为核心，直接属于因果推断。
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…
通过条件独立关系以多项式延迟检验含隐变量的因果模型
- 研究问题
- 含隐变量的因果图可能蕴含指数数量的条件独立关系，如何高效列举用于模型检验的关系，避免生成单个约束也耗时指数级？
- 方法与思路
- 作者提出 c-component 局部马尔可夫性质，并设计多项式延迟算法，在多项式时间间隔内逐项列出相关条件独立约束。
- 材料陈述的贡献
- 摘要称算法支持含隐变量、任意数据分布场景下的条件独立约束列举，并通过真实与合成数据实验展示其实用性。
- 阅读关注点
- 核对局部性质与模型约束的等价范围，理解多项式延迟与总运行时间的区别，并检查条件独立检验的统计误差处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；多项式延迟不意味着全部约束可在多项式总时间内检完，摘要未说明检验功效与多重性控制。
原文摘要
Testing a hypothesized causal model against observational data is a key prerequisite for many causal inference tasks. A natural approach is to test whether the conditional independence relations (CIs) assumed in the model hold in the data. While a model can assume exponentially many CIs (with respect to the number of variables), testing all of them is both impractical and unnecessary. Causal graphs, which encode these CIs in polynomial space, give rise to local Markov properties that enable model testing with a significantly smaller subset of CIs. Model testing based on local properties requires an algorithm to list the relevant CIs. However, existing algorithms for realistic settings with hidden variables and non-parametric distributions can take exponential time to produce even a single CI constraint. In this paper, we introduce the c-component local Markov property (C-LMP) for causal graphs with hidden variables. Since C-LMP can still invoke an exponential number of CIs, we develop a polynomial delay algorithm to list these CIs in poly-time intervals. To our knowledge, this is the first algorithm that enables poly-delay testing of CIs in causal graphs with hidden variables against arbitrary data distributions. Experiments on real-world and synthetic data demonstrate the practicality of our algorithm.