1. 核心问题
传统 Pearl do(X_A=x̃_A) 把干预理解为物理/机制操作：删除或替换 intervention variables 的结构方程。潜在结果和 SWIG 则擅长表达反事实变量与条件独立。
能否在 SCM 的形式语义里保留一个显式干预算子，同时像 SWIG 一样方便地检查事实变量与反事实变量之间的条件独立？
2. do intervention vs σ intervention
do intervention
改变或钉死变量的生成机制。
\[P(x \mid do(\tilde{x}_A))=\prod_{k\in V\setminus A}P(x_k\mid x_{pa(k)})\prod_{j\in A}\mathbf{1}(x_j=\tilde{x}_j)\]
σ intervention
结构方程保留，但被干预变量向后代发送的信息被替换。
\[X_v^{\sigma(\tilde{x}_I)}=f_v(\tilde{X}_{V\cap pa(v)},X_{U\cap pa(v)})\]
Info-causal DAG 中的干预分布可以写为：
\[P(x\mid \sigma(\tilde{x}_A))=\prod_{k\in V}P(x_k\mid x^*_{pa(k)}),\quad x^*_k=\begin{cases}x_k,&k\notin A\\ \tilde{x}_k,&k\in A\end{cases}\]
3. 结构不变量
- 非后代不变：若
i ∉ desc(A)，则X_i^{σ(x̃_A)} = X_i。 - 交换性：两个不交集合上的 info interventions 可交换。
- 机制不删除：
M^{σ(x̃_I)}不删除任何结构方程。 - 图变换方向：
do删除pa(A) → A；σ删除A → ch(A)。
4. Info calculus 三条规则
Rule 1 — insertion / deletion of observations
\[P(x_B\mid\sigma(\tilde{x}_A),x_C,x_D)=P(x_B\mid\sigma(\tilde{x}_A),x_D)\]
Rule 2 — action / observation exchange
\[P(x_B\mid\sigma(\tilde{x}_A),\sigma(\tilde{x}_C),x_D)=P(x_B\mid\sigma(\tilde{x}_A),\tilde{x}_C,x_D)\]
Rule 3 — insertion / deletion of actions
\[P(x_B\mid\sigma(\tilde{x}_A),\sigma(\tilde{x}_C),x_D)=P(x_B\mid\sigma(\tilde{x}_A),x_D)\]
规则的核心是：在对应的 info-intervention graph 上检查 d-separation 条件。
5. 当前定位
这项研究有明确的形式价值：它把“因果 = 信息传递”的直觉压缩成一个可写、可算、可与 SCM/SWIG 对接的 operator。
但它不宜被包装成“显著超越 do-calculus 的新识别系统”。论文中许多结果与 do-calculus 可交换，因此更准确的定位是：
not stronger identification power, but a different representational interface for counterfactual / information-flow queries.