条件干预分布的识别

Jun, 2012

Identification of Conditional Interventional Distributions

Ilya Shpitser, Judea Pearl

TL;DR本文研究了有向图表示的因果假设和以概率分布形式给出的统计知识对行为影响的阐明。在特定的情况下，我们感兴趣的是预测在一组变量上执行操作并随后对另一组变量进行测量所产生的条件分布。我们提供了一种必要且充分的图形条件，可用于唯一计算出这些分布的情况，同时还提供了一种算法。此外，我们使用我们的结果证明了对于相同的识别问题，do-calculus [Pearl, 1995] 是完备的。

Abstract

The subject of this paper is the elucidation of effects of actions from causal assumptions represented as a directed graph, and statistical knowledge given as a probability distribution. In particular, we are int

causal assumptions directed graph conditional distributions do-calculus identification problem

发现论文，激发创造

识别条件因果效应

论文探讨了使用非实验数据和因果假设对行动效应进行评估的方法。提供了一种系统识别变量集之间的因果关系的程序，条件是一些变量被视为未观测到。可识别的条件因果效应通过观测到的联合分布来表示。

Jul, 2012

因果贝叶斯网络中的干预和调节

通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。

May, 2024

有关条件因果效应的可识别性

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 $P (V)$。

Jun, 2023

Pearl 的干预微积分是完备的

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。

Jun, 2012

部分干预因果模型

该论文提出了一种基于单一世界干预图的因果推断方法，建立了一种允许特定变量干预的图模型，并提出了一种干预计算法则。

Oct, 2021

动作的概率微积分

本研究提出一种符号机制，能够处理有关概率和因果信息，从而推断出关于行动影响和观测影响的概率性语句，并利用条件概率和贝叶斯网络等技术来推导新的条件概率，以此量化行动效果和政策制定等方面的确认知识。

Feb, 2013

潜变量因果模型中计算干预分布的高效算法

本文介绍了一种可以计算由混合图表示的潜在变量因果模型的干预分布的算法，这个算法可以被看作是变量消除在混合图情况下的推广，并且在混合图的广义树宽度方面呈指数级别增长。

Feb, 2012

概率模拟模型的因果建模

通过干预模拟程序的概念分析条件推理，我们将其扩展到概率仿真模型的情况，定义了条件语言中的概率并证明了其基本结果。同时，我们在该设置中发现了关于概率的线性不等式推理的公理化方法。我们证明了该逻辑的可满足性问题的正确性、完备性和 NP - 完全性。

Jul, 2018

条件生成模型足以从任何因果效应估计中进行抽样

通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

Feb, 2024

使用 R 包 causaleffect 识别因果效应

本文提出了 R 软件包 causaleffect 的实现，该软件包实现了 Shpitser 和 Pearl 提出的通过 do-calculus 规则和概率已知属性识别联合干预分布的算法，并通过案例展示了 causaleffect 的功能。

Jun, 2018