概念混淆分量 / confounded components
c-components
由Tian与Pearl在因果推断框架中引入的图结构概念，指含隐藏混淆因子的DAG中通过双向边路径相互连通的观测变量集合，是ID算法进行递归推导的核心结构单元
时间轴 (近 90 天)
10月5日
论文的主要贡献是给出一大类满足识别不变性的聚类操作，并以原始图的 c-components（混淆分量）为核心给出判定条件
待验证50%
10月5日
c-components（混淆分量）由 Tian 与 Pearl 在因果推断框架中引入，指通过双向边（共享不可观测共同原因）相互连通的观测变量所构成的分量
待验证50%
10月5日
ID 算法是因果效应识别的完备算法，其每一步递归推导沿着 c-components 的边界拆解问题
待验证50%
10月5日
c-components 越多越小，识别算法越容易逐步分解；若大量变量归属同一个 c-component，识别往往变得困难甚至不可行
待验证50%
10月5日
论文的核心判据是：安全的聚类操作必须尊重原图 c-components 的拓扑结构，不能将本属不同 c-component 的变量随意合并到同一聚类节点
待验证50%
全部知识事实 (5)
待验证
论文的主要贡献是给出一大类满足识别不变性的聚类操作，并以原始图的 c-components（混淆分量）为核心给出判定条件
50%待验证c-components（混淆分量）由 Tian 与 Pearl 在因果推断框架中引入，指通过双向边（共享不可观测共同原因）相互连通的观测变量所构成的分量
50%待验证ID 算法是因果效应识别的完备算法，其每一步递归推导沿着 c-components 的边界拆解问题
50%待验证c-components 越多越小，识别算法越容易逐步分解；若大量变量归属同一个 c-component，识别往往变得困难甚至不可行
50%待验证论文的核心判据是：安全的聚类操作必须尊重原图 c-components 的拓扑结构，不能将本属不同 c-component 的变量随意合并到同一聚类节点
50%