调整识别距离：因果结构学习中的一个 Gadjid
内容提要
本文综述因果图模型研究进展，涵盖结构干预距离、基于祖先图的m-分隔符算法、嵌入干预分布的连续度量、主动因果结构学习、MPDAG因果识别标准、四类图模型的变量调整标准、带循环因果图发现算法及自适应干预基准，推动因果效应识别与因果发现评估。
延伸解读
从SHD到SID：干预下因果图距离的演进
文章指出，结构干预距离（SID）被提出作为有向无环图之间差别的度量，并与结构汉明距离（SHD）进行比较。SID适用于计算干预的图形，且能比较部分完成的有向无环图（CPDAGs）的马尔可夫等价类。这意味着在评估因果发现算法时，若考虑干预效果，SID可能比SHD更贴近实际需求，但文章未给出具体实验对比数据。
m-分隔符与调整集：因果效应识别的图论工具
基于祖先图的算法框架可高效测试、构建和枚举m-分隔符，用于非实验数据中因果效应的识别。文章还证明通过协变调整进行因果效应识别与m-分离在DAG及最大祖先图中的一个子图的规约，并给出刻画所有调整集以及存在潜在混淆因素时最小调整集的构造性条件。这些结果为寻找有效调整集提供了理论依据。
连续度量与主动学习：评估因果发现的新视角
文章提到一种基于嵌入干预分布的连续测量度量，通过最大（条件）均值差异估计真实因果图与学习到的因果图之间的差距，并考虑了图结构之外的底层数据。此外，主动因果结构学习问题中，新搜索算法的干预成本最多为验证图成本的O(max{1, logψ})倍，其中ψ是图间距离度量。这些方法为因果发现评估和高效学习提供了新思路。
MPDAG识别标准与统一调整框架
文章为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，可视为Robins（1986）g-公式的推广，并进一步获得截断因式分解公式的推广。同时，提出了适用于DAGs、MAGs、CPDAGs和PAGs四类图模型的变量调整图形标准，统一了大的图形类的变量调整，并提供了高效算法在R包dagitty中实现。这些标准为不同图模型下的因果效应识别提供了统一框架。
Q&A
结构干预距离（SID）是什么？它和结构汉明距离（SHD）有什么不同？
结构干预距离（SID）是用于衡量有向无环图（DAG）之间差别的一种度量方法，适用于计算干预的图形，并且可以比较部分完成的有向无环图（CPDAGs）的马尔可夫等价类。它与流行的结构汉明距离（SHD）相比，更侧重于干预的图形比较。
如何利用祖先图算法来识别因果效应？
基于祖先图的算法框架可以有效地测试、构建和枚举m-分隔符，从而较高效地进行非实验数据中因果效应的识别。该框架还证明了通过协变调整进行因果效应识别与m-分离在有向无环图及最大祖先图中的一个子图的规约，并得出了刻画所有调整集以及所有最小调整集的构造性条件。
什么是基于嵌入干预分布的连续测量度量？它有什么作用？
这是一种基于嵌入干预分布的连续测量度量，用于衡量真实因果图与学习到的因果图之间的差异。该度量考虑了图结构之外的底层数据，通过最大（条件）均值差异来估计它们的差距。数值实验证实了其理论结果。
主动因果结构学习中的搜索算法有什么特点？
该研究介绍了带有辅助意见的主动因果结构学习问题，提出了一种新的搜索算法来回复有向无环图，其干预成本最多为验证图的成本的O(max{1, logψ})倍，其中ψ是G和G*之间的距离度量，当G=G*时恰好为0。
最大定向部分有向无环图（MPDAGs）的因果识别标准是什么？
研究为最大定向部分有向无环图（MPDAGs）开发了必要且充分的因果识别标准，该标准可被视为Robins（1986）g-公式的推广。进一步获得了截断因式分解公式（Pearl，2009）的推广，并将该标准与Perković等人的广义调整标准（2017）进行了比较，后者对于因果识别是充分的，但不是必要的。
适用于四类因果图模型的变量调整图形标准是什么？
该标准适用于四类因果图模型：定向无环图（DAGs）、最大先祖图（MAGs）、完成部分定向无环图（CPDAGs）和部分先祖图（PAGs），统一了一个大的图形类的变量调整。还定义了一个明确的集合，并提供了高效算法来构建所有满足标准的集合，在R包dagitty中实现。
如何发现带循环因果图的因果结构？
本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。
自适应干预下的因果图发现基准是什么？
通过研究自适应干预下的因果图发现，提出了一种新的基准，捕捉任何搜索算法的最坏干预成本，并提出了在各种设置下实现对数逼近的自适应搜索算法。
