arXivは2026年6月8日、Lucius E.J. Bynum氏と2名の共著者による新論文「Computational Identifiability（計算論的可識別性）」を収録した。論文番号はarXiv:2606.19361で、機械学習（cs.LG）に分類され、人工知能、数値解析、計算統計学、統計方法論、統計的機械学習などにもまたがる内容となっている。
論文の出発点は、因果推論の中心概念である「可識別性」の捉え直しにある。識別条件とは、利用可能な情報の種類と量に応じて、目標とするクエリや関心のあるパラメータを計算できるかどうかを記述するものである。因果的識別では、この情報はしばしば因果グラフの形で表され、データはグラフ内の一部の変数についてのみ観測・収集される。目標クエリは単一の効果であることも、あるモデルにおける効果のクラスであることもある。識別アルゴリズムの導出は、望ましい因果効果を理論上（期待値の意味で）一意に決定する過程を数学的に定義する。
著者らは、この「期待値の意味での可識別性」、すなわち「理論的可識別性」が一般に漸近的性質、無限のデータ、その他の数学的に理想化された条件を前提としている点を指摘する。つまりそれは「理想的な状況で原理的に識別できるか」を問うものであり、「現実の計算・データ条件で実際に計算できるか」を問うものではない。論文の中心的貢献は、この理論的・理想化的な概念と、計算に制約された代替概念との間の根本的な違いを探ることにある。
著者らが提案する枠組みは「計算論的可識別性」と呼ばれる。漸近的な理想条件に訴えるのではなく、経験的推定量に対する有限の計算探索手続きを定義する。この手続きが所望の誤差許容範囲内で経験的に推定量を見つけたなら、可識別性は満たされる。ただしその成立は条件付きであり、探索に指定された仮定（例えばパラメータ上の事前分布）と、探索手続きそのものに依存する。すなわち可識別性はもはや純粋な数学的性質ではなく、計算過程とその事前設定に対して相対的な、操作可能な判定となる。
論文はいくつかの実験を通じてこの枠組みの実用性を示す。有限で小さな標本のもとでの識別、グラフィカル基準が曖昧な場合の判断、観測データと介入データが混合した状況での識別、さらには反事実データと反事実的推定量の文脈における識別など、よりきめ細かな実践的問いに答えることができる。これらの問いは、データ量が無限大に近づくと仮定する従来の理論的可識別性の枠組みでは、有意義な回答を得ることが難しい。
コードはGitHub（https://github.com/lbynum/metadentify）で公開されており、研究者が実験を再現し、その上で拡張できるようになっている。より広い意味では、本研究は因果的識別を「理論上可能かどうか」から「実践的かつ限られた計算資源とデータのもとで実行可能かどうか」へと押し進め、因果推論の実社会応用に新たな分析視角を提供するものである。