PAC 因果可学习性：从因果识别到有限样本保证

研究者提出了概率近似正确因果（PACC）可学习性框架，首次从 PAC 学习视角量化因果目标在精度 $\epsilon$ 与置信度 $1-\delta$ 下所需的有限样本复杂度。该框架证明 PACC 样本复杂度由因果识别强度、目标复杂度及干扰复杂度三项因素决定，并导出了通用的充分性界限。作者进一步将该框架应用于自身对照病例系列、工具变量和倾向得分估计，为不同因果推断方法提供了统一的有限样本分析标准。