arXiv 于 2026 年 6 月 8 日收录了一篇题为《Computational Identifiability》（计算可识别性）的新论文，作者为 Lucius E.J. Bynum 及另外两位合作者，论文编号 arXiv:2606.19361，归入机器学习（cs.LG）分类，同时涉及人工智能、数值分析、计算统计、统计方法论与统计机器学习等方向。
论文的出发点是对“可识别性”这一因果推断核心概念提出重新界定。识别条件描述的是：给定可用信息的类型与数量，某个目标查询或感兴趣的参数是否可以被计算出来。在因果识别中，这些信息通常以因果图的形式表达，而数据只对图中部分变量进行观测或收集；目标查询既可能针对单一效应，也可能针对某个模型中的一类效应。传统的识别算法推导，在数学上定义了理论上（在期望意义下）如何唯一确定所需因果效应。
作者指出，这种“期望意义下的可识别性”或“理论可识别性”，一般依赖渐近性质、无限数据或其他数学上理想化的条件。换言之，它回答的是“在理想情况下原则上能否识别”，而非“在现实的计算与数据条件下能否真的算出来”。论文的核心贡献，是探索这一理论化、理想化概念与一种受计算约束的替代概念之间的根本区别。
作者提出的框架名为“计算可识别性”。它不再诉诸渐近理想条件，而是定义一个针对经验估计量的有限计算搜索过程。如果该过程在期望的误差容限内经验性地找到了一个估计量，那么可识别性即告满足；不过这种满足是有条件的：它依赖于搜索所指定的假设（例如参数上的先验分布），也依赖于搜索过程本身。也就是说，可识别性在这里不再是一个纯粹的数学属性，而是一个相对于计算流程与其先验设定的、可操作的判定。
论文通过若干实验展示了这一框架的实用价值。它能够回答更细粒度的实践性问题，例如：在有限的、较小的样本下是否可识别；当图形判据存在歧义时如何判断；在观测数据与干预数据混合的情况下如何识别；以及在反事实数据与反事实估计量的情境下如何识别。这些问题在传统理论可识别性框架下往往难以给出有意义的回答，因为后者通常假设数据量趋于无穷。
论文的代码已在 GitHub 上公开，项目地址为 https://github.com/lbynum/metadentify，便于研究者复现实验并在此基础上扩展。从更广的意义上看，这项工作把因果识别从“理论上是否可能”推进到“在实践中、在有限计算资源与有限数据下是否可行”，为因果推断的落地应用提供了新的分析视角。