Naukowcy zaproponowali radykalną zmianę w podejściu do identyfikowalności w modelowaniu przyczynowym, wprowadzając koncepcję computational identifiability. Tradycyjnie identyfikowalność teoretyczna zakłada warunki asymptotyczne, nieskończoną ilość danych i idealne warunki matematyczne. Nowe podejście zamiast tego definiuje identyfikowalność jako zdolność skończonej procedury obliczeniowej do znalezienia estymatora w ramach zadanej tolerancji błędu.
Ta zmiana paradygmatu ma praktyczne znaczenie dla rzeczywistych aplikacji machine learning. Zamiast pytać czy coś jest teoretycznie możliwe do obliczenia, nowe pytanie brzmi: czy nasz algorytm faktycznie potrafi znaleźć rozwiązanie w rozsądnym czasie i z akceptowalną dokładnością? Podejście uwzględnia założenia procedury wyszukiwania, w tym prior nad parametrami i samą strategię poszukiwania.
Proponowana rama jest szczególnie ważna dla causal inference w praktyce. Gdy pracujemy ze skończonymi danymi i ograniczonymi zasobami obliczeniowymi, wiedza że coś jest teoretycznie identyfikowalne nie gwarantuje, że potrafimy to obliczyć. Framework computational identifiability łączy teorię z rzeczywistością, pokazując jakie warunki i procedury są potrzebne do empirycznego znalezienia szukanych efektów przyczynowych.