MNAR观测和高维噪声下量子推断中稳健的因果方向性推断

这篇arXiv论文提出了一个新颖的框架，用于推断量子系统中的因果方向性，特别解决了非随机缺失（MNAR）观测和高维噪声带来的挑战。 集成各种统计技术，包括CVAE、MNAR感知选择模型、GEE稳定回归、惩罚经验似然和贝叶斯优化，是一项重大贡献。 该论文声称对鲁棒性和oracle不等式有理论保证，这对于该方法的可靠性至关重要。 使用模拟和真实世界数据（TCGA）进行的经验验证进一步加强了研究结果。 然而，该框架的复杂性可能会限制那些没有强大的统计学和量子力学背景的研究人员的访问。 进一步阐明计算成本和可扩展性将是有益的。

• •介绍了在MNAR观测下量子系统中因果方向性推断的新框架。
• •集成了CVAE、MNAR感知选择模型、GEE稳定回归、惩罚经验似然和贝叶斯优化。
• •声称对双重鲁棒性、扰动稳定性和oracle不等式有理论保证。