因果修复能提升多少？新研究揭示评估目标本身就会改变信息需求，前导对数前沿精确刻画增益上限！
Target-Dependent Limits of Causal Repair: A Leading-Log Frontier in a Gaussian Model
📖 AI 总结
这篇论文研究因果修复中一个被忽视的评估难题：知道因果预测器理论上能带来多大改进，并不等于能准确评估实际训练出的修复效果。作者在一个干预几何已知的标量高斯因果实验中量化了这一差距，其中辅助数据可在有界污染下识别效应量级，而诊断信息用于识别方向，评估目标则是实际修复相对于拟合参照的平方损失增益。核心发现是，在通常的1/k学习尺度下，任何可行学习器都会遭遇k的负二次方评估下限，即便预言机潜力能以更快速度估计。在量级信息充足的区域，作者刻画出一条尖锐的前沿曲线，评估指数由辅助精度与学习误差共同决定，并提出一种诊断弃权规则，在未知冗余参数下仍能达到该指数。研究还给出了临界容许窗口的界，并通过精确高斯模拟将前沿迁移到自适应采样场景，有限网格实验区分了符号尾部抑制与总均方误差，揭示了有限预算下的保守行为。该结果说明评估目标本身会改变信息需求，但作者强调这并非一般性的因果可识别性结论。
🔑 关键词速览
| 因果修复 | 指利用因果知识对预测模型进行修正，以提升其性能的过程。 |
| 前导对数前沿 | 描述评估误差指数随样本量变化的主导对数项所构成的理论边界。 |
| 评估指数 | 衡量评估误差随样本量衰减速度的指数，反映评估的统计效率。 |
| 诊断弃权规则 | 一种在诊断信息不足时选择不进行修复的决策规则，以优化评估性能。 |
| 辅助精度 | 辅助数据提供效应大小估计的精确程度，影响评估误差的下限。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅