验证因果模型中干预分布公式的有效性，解决识别问题的互补挑战。
Verifying formulas for interventional distributions
- 提出验证框架，判断给定公式能否确定干预分布
- 证明现有识别方法无法解决验证问题
- 设计门控测试，可找出前门公式适用的所有变量集
我们形式化了因果图模型中的验证问题：判断一个给定的观测公式是否能识别目标干预分布。这开启了一个与识别问题互补的挑战——不问是否存在任何识别公式，而是问给定公式是否具有识别性。我们证明，即使存在完整的识别算法，也无法解决验证问题。为此，我们提出一种伪造者（falsifier）作为实际可行的初步路径，并证明它在正则指数族模型下可诱导出几乎必然正确的验证器。基于此验证器，我们开发了门径测试（gateway test），用于找出所有适用于前门公式中的变量集合。
原文摘要 · Abstract (English)
We formalize verification in causal graphical models: deciding whether a given observational formula identifies a target interventional distribution. This opens a problem complementary to identification, asking not whether any identifying formula exists, but whether the given formula is identifying. We show that even sound and complete solutions to identification do not solve verification. We propose a falsifier as a first practical route forward, prove that it induces an almost-surely correct verifier for regular exponential-family models, and use the resulting verifier to develop the gateway test, which finds all sets admissible for use in a front-door formula.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。