Causal effect identification in acyclic directed mixed graphs and gated models

ما یک خانواده جدید از مدل های گرافیکی را معرفی می کنیم که شامل نمودار هایی با لبه های احتمالا کارگردانی، بدون هدایت و دو طرفه است، اما بدون چرخه های کارگردانی. ما نشان می دهیم که این مدل ها برای ارائه مدل های علیت با شرایط خطای افزودنی مناسب هستند. ما مجموعه ای از معیارهای گرافیکی کافی برای شناسایی اثرات علمی دلخواه ارائه می دهیم زمانی که مدل های جدید حاوی لبه های هدایت شده و غیر مستقیم، اما لبه دیفرانسیلی مجاز نیستند. ما همچنین یک معیار گرافیکی لازم و مناسب برای شناسایی اثر علمی یک متغیر در بقیه متغیرها ارائه می کنیم. علاوه بر این، ما یک الگوریتم دقیق برای یادگیری مدل های جدید از داده های مشاهده شده و مداخله ای از طریق برنامه ریزی مجموعه پاسخ ها را توسعه می دهیم. در نهایت، ما مدل های دروازه ای برای شناسایی اثر علی را معرفی می کنیم، یک خانواده جدید از مدل های گرافیکی است که از استقلال خاص محدوده برای شناسایی اثرات علیت اضافی استفاده می شود.