因果发现可识别性研究：从完全数据推广至缺失数据场景

研究人员提出了将完全数据因果发现算法的正确性保证扩展至缺失数据场景的理论框架，建立了因果图在包括非随机缺失（MNAR）等类别下保持可识别的通用充分条件。在无未观测混杂因素的前提下，当缺失机制无因果交互、变量不直接导致自身缺失，且满足忠实性或广义线性模型假设时可识别性成立。基于该理论，团队针对加性噪声模型（ANM）推出了两种渐进正确的因果图恢复与参数估计算法。