计算可识别性

arXiv:2606.19361v1 公告类型：新 摘要：识别条件描述了目标查询或感兴趣的参数的可计算性，作为可用信息类型和数量的函数。在因果识别中，这些信息通常以因果图的形式表达，并且针对图中的某些变量子集观察或收集数据。目标查询可能仅针对单个效果，也可能针对给定模型中的一类效果。然后，识别算法的推导在数学上定义了可以在理论上、在期望中唯一地确定期望的因果效应的过程。期望中的可识别性，或“理论可识别性”，通常假设渐近性质、无限数据或其他数学理想化条件。在本文中，我们探讨了这种理论的、理想化的可识别性概念与所提出的受计算限制的替代方案之间的根本区别。我们提出的框架——“计算可识别性”——是为经验估计器定义有限计算搜索过程。如果这个过程在期望的误差容限内凭经验找到估计器，则满足可识别性，条件是搜索的指定假设（即参数的先验分布）和搜索过程本身。通过几个实验，我们演示了该框架如何使我们能够回答细粒度的、实际的识别问题，例如使用有限的小样本、模糊的图形标准、混合的观察干预数据以及跨反事实数据和估计值进行识别。代码可在 https://github.com/lbynum/metadentify 获取。