Algorithmic syntactic causal identification

本文介绍了因果贝叶斯网络（CBN）中的因果识别，这是因果推断中的重要工具，可以从原则上可能的观察分布中推导出干预分布。然而，大多数使用d-分离和do-演算等技术的因果识别的现有公式都是在CBN的经典概率论语言中表达的。然而，有许多因果设置，其中概率论和当前的因果识别技术都不适用，例如关系数据库、数据流程序（如硬件描述语言）、分布式系统和大多数现代机器学习算法。我们展示了通过用对称单调范畴的替代公理基础来取代经典概率论的使用，可以消除这种限制。在这种替代公理化中，我们展示了如何在因果模型的一般语法和该因果模型的任何特定语义实现之间绘制一个明确而干净的区别。这允许通过修复最近的一般ID算法公式的翻译来纯语法地算法描述一般因果识别。我们的描述完全是基于指定因果模型的非参数ADMG结构和相应单调范畴的代数签名，然后应用一系列操作，以便到达修改后的单调范畴，其中得到所需的纯语法干预因果模型。我们利用这个想法推导出经典的背门和前门因果调整的纯语法类比，并且说明了一个更复杂的因果模型的应用。

使用传统概率论的因果识别技术无法应用于许多因果模型，如关系型数据库、数据流程序、分布式系统和现代机器学习算法。该论文试图通过使用对称单型范畴的公理基础来解决这个问题。

使用对称单型范畴的公理基础来代替传统概率论，实现纯语法算法描述通用的因果识别，包括经典的背门和前门因果调整。

该论文提出了一种新颖的思路，使用对称单型范畴的公理基础来解决因果识别问题。实验设计中没有提到具体的数据集和开源代码，但该方法可以应用于许多传统方法无法处理的因果模型。

最近的相关研究包括基于传统概率论的因果识别技术，如d-分离和do-演算。