TL;DR本文研究非实验数据中确定因果关系的图形准则，提出了 Pearl 的工作和 Huang 和 Valtorta 的算法，并证明了 Pearl 提出的基本 do-calculus 规则是完整的。
Abstract
This paper is concerned with graphical criteria that can be used to solve the
problem of identifying casual effects from nonexperimental data in a causal
Bayesian network structure, i.e., a directed acyclic graph
本文主要研究的问题是通过 $do$-calculus 方法推断任意条件因果效应的可识别性问题，特别将正性假设显式引入，提出了相应的 sound and complete 算法，为 Lee et al. [2020] 和 Correa et al. [2021] 的研究工作进行了扩展，并不局限于观测分布 $P (V)$。