Exploiting Causal Independence in Bayesian Network Inference
提出了一种利用因果独立性进行精确贝叶斯网络推理的新方法。贝叶斯网络可以被看作是将联合概率分解为一组条件概率的乘积。我们提出了一个因果独立的概念，使人们能够进一步因式分解的条件概率的组合，甚至更小的因素，从而获得更细粒度的联合概率因式分解。因果独立的新公式让我们指定一个变量的条件概率给定其父母在一个结合和交换运算符，如“或”，“和”或“最大”，对每个父母的贡献。我们从一个简单的算法VE贝叶斯网络推理，给定证据和查询变量，使用因式分解找到查询的后验分布。我们展示了如何将该算法扩展到利用因果独立性。基于CPCS网络的医学诊断的实证研究表明，该方法比以前的方法更有效，并且允许在比以前的算法更大的网络中进行推理。
1996-12-01 cs.AI
Structure and Parameter Learning for Causal Independence and Causal Interaction Models
Microsoft Research（微软研究院）
本文讨论了因果独立模型和这些模型的推广称为因果相互作用模型。因果交互模型是具有独立机制的模型，其中一个机制可以有几个原因。除了介绍几种特定类型的因果交互作用模型，我们展示了如何应用贝叶斯方法来学习因果交互作用模型，获得模型的近似后验分布，并获得MAP和ML估计的参数。我们说明了学习模型后验的模拟研究的方法。
2015-05-16 cs.AI cs.LG
On the Logic of Causal Models
University of California（加利福尼亚大学）
本文探讨了有向无环图（DAG）作为条件独立关系的表示的作用。我们发现，DAG提供多项式的声音和完整的推理机制，从一个给定的因果关系，这样的关系推断条件独立的关系。因此，d-分离，一个图形的标准，用于确定独立的DAG，发现更有效的独立性，然后任何其他标准。此外，我们采用条件独立性的Armstrong属性来表明，DAG所显示的依赖关系是内在一致的，即对于每个DAG D，存在一些概率分布P，它体现了D中显示的所有条件独立性。
2013-03-27 cs.AI
Causal Imitability Under Context-Specific Independence Relations
EPFL（洛桑联邦理工学院）
该研究探索已知上下文特定独立性（CSI）关系下的因果模仿学习问题，证明其可行性决策为NP难，提出必要且在特定结构假设下充分的图判据，并给出结合CSI与数据的可靠算法。
2023-06-11 cs.AI cs.LG
Conditional independences and causal relations implied by sets of equations
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（拉德堡德大学）
现实世界中的复杂系统往往是由一组具有内生和外生变量的方程来建模的。对于出现在这些方程中的变量的因果和概率方面，我们能说些什么呢？我们利用Simon的因果排序算法（Simon，1953）构造了一个因果排序图，并证明了在某些唯一的可解性假设下，它表示了软的和完美的干预对方程的影响。我们进一步构建了一个马尔可夫排序图，并证明了它编码的条件独立的分布所隐含的方程与独立的随机外生变量，在一个类似的唯一的可解性假设。我们讨论了这种方法如何揭示和解决现有因果建模框架的一些局限性，如因果贝叶斯网络和结构因果模型。
2021-01-31 cs.AI stat.ML
p-d-Separation -- A Concept for Expressing Dependence/Independence Relations in Causal Networks
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
Spirtes、Gaviour和Scheines提出了一个猜想，即直接依赖检验和头对头会议检验足以证明联合概率分布（贝叶斯网络）的有向非循环图分解，Pearl的d-分离适用于该分解。这个猜想后来被证明是Pearl和Verma的一个结果的直接结果。本文利用p-d-分离（partial dependency separation）的概念，用一种新的方法证明了这个猜想。虽然Pearl的d-分离适用于贝叶斯网络，但p-d-分离适用于因果网络：即部分定向网络，其中仅向那些表示统计确认的因果影响的边缘提供方向，而无向边缘表示直接影响的存在，而不可能确定因果关系的方向。作为证明这个猜想的有效性的特殊方法的结果，一个算法的建设的所有有向无环图（dags）携带可用的独立信息也被提出。引入了部分定向图的概念，并在此图中定义了p-d-分离的概念。它表明，p-d-分离内的POG是等效的d-分离在所有衍生的dags。
2020-06-15 cs.AI
A Framework for Inferring Causality from Multi-Relational Observational Data using Conditional Independence
Duke University（杜克大学）；University of Washington（华盛顿大学）
因果关系或因果推断的研究-给定的治疗对人群中给定结果的因果影响程度-远远超出了变量的相关性或关联分析，并且对于在众多应用中做出合理的数据驱动决策和政策至关重要。因果推理的黄金标准是进行“受控实验”，由于逻辑或道德原因，这通常是不可能的。作为替代方案，基于“Neyman-Rubin潜在结果模型”对“观测数据”进行因果关系推断已在几十年来广泛用于统计学，经济学和社会科学。在本文中，我们提出了一个正式的框架，健全的因果分析的观测数据集，给出了多重关系，并在研究中的人口是通过加入这些基础关系。我们研究了从观察数据推断因果关系的一个关键条件，称为“强可检验性假设”（考虑到观察到的协变量，治疗和结局变量在联合关系中应该是独立的），使用在基础关系中保持的已知条件独立性。我们还讨论了作为图形模型的基础关系中的条件独立性的结构如何帮助推断新的条件独立性的联合关系。拟议的框架结合了数据库，统计和图形模型的概念，旨在启动跨越这些领域的新研究方向，以促进当今大数据世界中强大的数据驱动决策。
2017-08-08 cs.AI cs.DB
Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism
Sorbonne University（索邦大学）
基于条件独立的因果推理方法构造马尔可夫等价图，不能应用于二元情况。相反，基于原因和机制独立性的方法则认为因果发现可以从两个观测结果中推断出来。在我们的贡献，我们挑战调和这两个研究方向。我们研究了潜在的变量，如潜在的工具变量和隐藏的共同原因的因果图形结构中的作用。我们发现，基于原因和机制的独立性的方法，间接包含的痕迹存在的隐藏的工具变量。我们推导出一种新的算法来推断两个变量之间的因果关系，我们验证了模拟数据和基准的因果对所提出的方法。我们说明我们的实验，所提出的方法是简单的和极具竞争力的经验准确性相比，国家的最先进的方法。
2020-07-17 cs.AI cs.LG stat.ME
Causality and independence in perfectly adapted dynamical systems
University of Amsterdam（阿姆斯特丹大学）
动态系统中的完美适应是这样一种现象，即一个或多个变量对外部刺激的持续变化有初始的瞬态响应，但当系统收敛到平衡时恢复到它们的原始值。在因果排序算法的帮助下，可以构建动态系统的图形表示，表示变量之间的因果关系和平衡分布中的条件独立性。我们应用这些工具，制定充分的图形条件，从一组一阶微分方程识别完美的适应。此外，我们给出了充分条件，以测试存在的完美适应的实验平衡数据。我们将这种方法应用于蛋白质信号通路的简单模型，并在模拟和使用真实世界的蛋白质表达数据中测试其预测。我们证明，完美的适应可能会导致误导方向的因果发现算法的输出边缘。
2023-02-23 cs.AI stat.ML
Representing Independence Models with Elementary Triplets
Linköping University（林雪平大学）
在独立模型中，表示单例之间的条件独立的三元组被称为基本的。已知在某些条件下，基本三元组明确地表示独立模型。在本文中，我们将展示这种表示如何帮助独立模型执行一些操作，例如找到独立模型的主导三元组或最小独立映射，或计算一对独立模型的并集或交集，或执行因果推理。对于后者，我们用条件独立性来重新表述Pearl计算因果效应的一些结果。
2016-12-04 cs.AI stat.ML
Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization
Texas A&M University（德克萨斯A&M大学）
本文提出标签与环境因果独立性（LECI）联合学习方法，通过对抗训练同时利用标签和环境信息发现因果子图，显著提升图分布外泛化性能。
2023-10-31 cs.AI cs.LG
Learning Sparse Causal Models is not NP-hard
Radboud University Nijmegen（内梅亨拉德堡德大学）
本文证明了因果模型发现不是一个NP-难问题，对于节点度为k的稀疏图，即使存在潜在变量和选择偏差，在最坏情况下的N^{2（k+2）}次独立性检验中也可以得到可靠的完整因果模型.我们提出了一个修改的著名的FCI算法，实现了独立的预言机的方法，并建议改进样本/真实世界的数据版本。它不与任何已知的硬度结果相矛盾，也不解决NP难题：它只是证明稀疏因果发现可能更复杂，但不像学习最小贝叶斯网络那样困难。
2013-09-26 cs.AI
Surjective Independence of Causal Influences for Local Bayesian Network Structures
University of Warwick（沃里克大学）
针对贝叶斯网络参数化中专家判断负担重、数量多及ICI假设过强的问题，本文提出放宽该假设的SICI局部结构模型，以支持更实用高效的参数化。
2025-09-29 cs.AI stat.ME
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg（汉堡大学）
本文提出FastKCI，一种基于核的快速条件独立性检验方法，通过并行化和专家混合策略提升计算效率，适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Identifying Causal Effects via Context-specific Independence Relations
University of Jyvaskyla（于韦斯屈莱大学）；University of Helsinki（赫尔辛基大学）
本文针对存在上下文特定独立关系时因果效应识别不完备的问题，提出一种可证明可靠且包含标准 do-calculus 的演算与自动搜索方法，并证明少量 CSI 关系即可使原本不可识别的实例变得可识别。
2020-09-21 cs.AI cs.LG
An Algorithm for Deciding if a Set of Observed Independencies Has a Causal Explanation
Northrop Corporation（诺斯洛普公司）；University of California（加利福尼亚大学）
在以前的论文[Pearl和Verma，1991]中，我们提出了一种从独立性信息中提取因果影响的算法，其中因果影响被定义为与数据一致的所有最小因果模型中存在有向弧。在本文中，我们解决的问题，决定是否存在一个因果模型，解释所有观察到的依赖性和独立性。形式上，给定条件独立语句的列表M，需要判定是否存在与M完全一致的有向无环图（dag）D，即M中的每个语句，而不是其他语句，都通过D中的dseparation反映出来。我们提出并分析了一个有效的算法，测试存在这样的一天，并产生一个，如果它存在。
2013-03-13 cs.AI
Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian Models
Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
因果发现旨在恢复产生观测数据的因果结构。尽管它在某些问题上取得了成功，但在许多现实世界的场景中，观察到的变量不是感兴趣的目标变量，而是目标变量的不完美度量。测量误差下的因果发现是指从测量误差下的观测数据中恢复出未观测目标变量之间的因果关系图。我们考虑一个特定的配方的问题，其中未观察到的目标变量遵循线性非高斯非循环模型，测量过程遵循随机测量误差模型。现有的方法在此制定依赖于不可扩展的过完备独立分量分析（OICA）。在这项工作中，我们提出了转换的独立噪声（TIN）条件，它检查一些测量变量和某些其他测量变量的特定线性变换之间的独立性。通过利用数据的非高斯性和高阶统计量，TIN提供了关于未观察到的目标变量之间的图结构的信息。利用TIN，因果模型的有序群分解是可识别的。换句话说，我们可以通过进行独立性测试来实现曾经要求OICA实现的目标。在合成数据和真实数据上的实验结果证明了该方法的有效性和可靠性。
2022-10-20 cs.AI cs.LG stat.ML
Identifying Independencies in Causal Graphs with Feedback
University of California, Irvine（加州大学尔湾分校）；University of California, Los Angeles（加州大学洛杉矶分校）
我们表明，d -分离准则构成了一个有效的测试条件独立的关系，诱导的反馈系统，涉及离散变量。
2013-02-13 cs.AI
Causal Discovery with Fewer Conditional Independence Tests
Eric and Wendy Schmidt Center, Broad Institute（埃里克和温迪·施密特中心，布罗德研究所）；Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）
针对约束式因果发现算法需指数级条件独立性检验的问题，提出用多项式数量检验学习因果一致划分图（CCPG），在可识别情况下可还原真实因果图。
2024-06-03 cs.AI cs.LG stat.ME
On the Number of Conditional Independence Tests in Constraint-based Causal Discovery
Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所）；Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学）；Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
2026-03-23 cs.AI cs.LG stat.ME
CALM: A Causal Analysis Language Model for Tabular Data in Complex Systems with Local Scores, Conditional Independence Tests, and Relation Attributes
Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出专为表格数据设计的因果分析语言模型CALM，结合Mamba架构与局部评分、条件独立性测试等证据识别因果模式，在模拟和真实数据上准确率超91%，显著优于现有方法。
2025-10-10 cs.AI cs.LG
A Robust Independence Test for Constraint-Based Learning of Causal Structure
Decision Systems Laboratory（决策系统实验室）；Intelligent Systems Program（智能系统项目）；University of Pittsburgh（匹兹堡大学）；School of Information Sciences（信息科学学院）
基于约束（CB）的学习是一种通过执行一系列条件独立性测试来推断结构信息来学习具有数据库D的因果网络的形式主义。本文考虑了一种新的独立性测试，它结合了贝叶斯学习，贝叶斯网络推理和经典假设检验的思想，以产生更可靠和更强大的测试。新的检验可以在与标准检验（如卡方检验）相同的渐近时间和空间中计算，但它允许指定参数的先验分布，并且可以在数据库不完整时使用。我们证明了测试是正确的，我们证明了经验，当使用CB因果发现算法与noninformative先验，它恢复结构特征更可靠，它产生的网络与较小的KL发散，特别是随着节点的数量增加或记录的数量减少。另一个好处是CB算法在搜索过程中停止的概率大大降低，为数据库较小时CB学习的恼人问题提供了补救措施。
2012-10-19 cs.AI cs.LG stat.ML
Efficient Ensemble Conditional Independence Test Framework for Causal Discovery
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出了一种高效的条件独立性测试框架，通过分组聚合策略降低计算复杂度并提升因果发现性能。
2026-02-27 cs.AI cs.LG stat.ML
Characterization and Learning of Causal Graphs with Small Conditioning Sets
Purdue University（普渡大学）
本文针对小样本条件下条件独立性检验因条件集过大而失效的问题，提出 $k$-Markov 等价概念及 $k$-PC 算法，通过限制条件集大小上界实现更稳健的因果图学习。
2023-10-28 cs.AI cs.LG stat.ML
Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes
Technical University of Munich（慕尼黑工业大学）；Helmholtz Munich（慕尼黑亥姆霍兹中心）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Oxford（牛津大学）；Lund University（隆德大学）；Imperial College London（伦敦帝国学院）
本文提出一种基于签名核的条件独立性检验方法，用于推断随机微分方程模型中的因果结构，能够处理完全和部分观测数据，并在基准测试中优于现有方法。
2025-03-03 cs.AI cs.LG stat.ML
Valuation Networks and Conditional Independence
University of Kansas（堪萨斯大学）
估值网络已经被提出作为基于估值的系统（VBS）的图形表示。VBS框架能够捕获许多不确定性演算，包括概率论，Dempster-Shafer的信念函数理论，Spohn的认知信念理论和Zadeh的可能性理论。在本文中，我们展示了估值网络如何编码条件独立关系。对于概率情况，由估值网络编码的概率模型的类别包括无向图模型、有向无环图模型、有向气球图模型和递归因果图模型。
2013-03-06 cs.AI
Enabling Runtime Verification of Causal Discovery Algorithms with Automated Conditional Independence Reasoning (Extended Version)
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）
本文提出统一方法解决因果发现中CI测试不可靠和过多导致的隐私问题，通过运行时验证工具CICheck将CI陈述一致性推理转化为SMT问题，并采用四阶段决策程序高效检测错误或剪除多余测试。
2023-09-11 cs.AI cs.SE
Unfaithful Probability Distributions in Binary Triple of Causality Directed Acyclic Graph
Beihang University（北京航空航天大学）
本文在三元二元因果有向无环图（DAG）结构中构造了若干不忠实于Robins等人（2003）所描述的因果DAG的概率分布例子，并给出了具有多重独立性与条件独立性的一般不忠实概率分布。
2025-01-30 cs.AI cs.LG stat.ML
Factored space models: Towards causality between levels of abstraction
Machine Intelligence Research Institute（机器智能研究所）；University of Amsterdam（阿姆斯特丹大学）；Goethe University Frankfurt（法兰克福大学）；IT University of Copenhagen（哥本哈根信息技术大学）
针对因果图难以处理多抽象层级确定性关系的问题，提出分解空间模型以自然表示各层级的概率与确定性关系，并证明结构独立性与统计独立性等价，推广了d-分离定理。
2024-12-20 cs.AI
Membership Testing in Markov Equivalence Classes via Independence Query Oracles
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）
该研究针对因果图马尔可夫等价类的成员测试问题，提出基于约束的测试方法，证明了测试所需独立性测试数的上下界均为最大团规模的指数级，表明测试比学习更易，还给出几何解释并探讨其对学习的辅助作用。
2024-03-09 cs.AI cs.LG stat.ME
Local Markov Equivalence for PC-style Local Causal Discovery and Identification of Controlled Direct Effects
Sorbonne Université, INSERM, Institut Pierre Louis d’Epidémiologie et de Santé Publique（索邦大学，法国国家健康与医学研究院，皮埃尔·路易流行病学与公共卫生研究所）
本文提出LocPC和LocPC-CDE算法，通过局部条件独立性测试高效识别受控直接效应，相比全局方法，其计算效率更高且假设更弱。
2026-04-08 cs.AI
Causal Inference in the Presence of Latent Variables and Selection Bias
Carnegie Mellon University（卡内基梅隆大学）
我们发现，有一个通用的，翔实的和可靠的程序发现因果关系时，所有的调查人员知道，潜在变量和选择偏差可能在工作中。给定关于测量变量之间的条件独立性和依赖关系的信息，即使潜在变量和选择偏差可能存在，也有足够的条件可靠地得出从一个变量到另一个变量存在因果路径的结论，并且当不存在这种因果路径时，也有足够的条件可靠地得出结论。
2013-02-20 cs.AI
Learning from Pairwise Marginal Independencies
Utrecht University（乌得勒支大学）；University of Lübeck（吕贝克大学）
我们考虑表示一组变量之间的成对边缘独立性的图（例如，正态数据的协方差矩阵的零项）。我们的特点有向无环图（DAG），忠实地解释了一组给定的独立性，并推导出算法，有效地枚举这样的结构。我们的结果映射出一组给定的成对边缘独立关系的忠实因果模型的空间。这使我们能够在不使用条件独立性检验的情况下显示因果推理的可能性。
2015-08-02 cs.AI
Beyond Conditional Independence: Root Cause Analysis with Deep Causal Models
Purdue University（普渡大学）；Johns Hopkins University（约翰霍普金斯大学）；Intuit AI Research（Intuit AI 研究院）；Microsoft（微软）
针对现有根因分析依赖强假设的局限，提出基于深度因果模型的RCA-DCM方法，利用分布约束和部分图知识，在模拟与真实微服务数据上显著提升根因识别准确率。
2026-09-30 cs.AI cs.LG stat.ML
On the Testability of Causal Models with Latent and Instrumental Variables
University of California, Los Angeles（加州大学洛杉矶分校）
某些涉及不可测变量的因果模型在观测变量之间没有独立约束，但却暗示着观测分布上的不平等约束。本文推导了此类工具变量（即直接影响某些变量但不是全部变量的外生变量）的一般公式。在这个公式的帮助下，有可能测试一个涉及工具变量的模型是否可以解释数据，或者相反，是否可以将给定的变量视为工具。
2013-02-20 cs.AI
Asymmetric separation for local independence graphs
Didelez（2000）和Nodelmann et al.（2002）提出了有向可能循环图来表示随机过程之间的动态依赖关系。这些依赖性是基于Granger因果关系到连续时间的推广，首先由Schweder（1970）为马尔可夫过程开发的，他称之为局部依赖性。它们值得特别关注，因为它们不对称，不像随机（不）依赖。在本文中，我们专注于他们的图形表示和开发一个合适的，即不对称的概念分离，称为三角洲分离。这种图形分离以及局部独立的属性进行了详细研究的框架内的非对称（半）graphoid允许更深入地了解什么信息可以读取这些图。
2012-06-27 cs.AI
Towards Robust Relational Causal Discovery
Purdue University（普渡大学）；Pennsylvania State University（宾夕法尼亚州立大学）
我们考虑从关系数据中学习因果关系的问题。现有的方法依赖于查询的关系条件独立（RCI）的甲骨文建立和定向因果关系，在这样的设置。在实践中，对RCI oracle的查询必须被针对可用数据的RCI可靠测试所取代。关系数据在RCI测试中提出了几个独特的挑战。我们研究的条件下，传统的基于iid的条件独立性（CI）测试产生可靠的答案，RCI查询对关系数据。我们展示了如何对关系数据进行CI测试，以稳健地恢复底层关系因果结构。我们的实验结果证明了我们所提出的方法的有效性。
2019-12-05 cs.AI cs.LG stat.ML
A Causal Markov Condition for Value
University of Inland Norway（内陆挪威大学）
本文提出价值因果马尔可夫条件，发展因果价值理论，引入概率-价值对偶性，制定v-CMC不同版本并证明等价性，定义v-分离，推导贝尔曼型递归，还展示其对效用信息的作用并开发相关算法。
2026-07-21 cs.AI cs.LG stat.ML
Local Constraint-Based Causal Discovery under Selection Bias
University of Amsterdam（阿姆斯特丹大学）；Microsoft Research Cambridge（微软剑桥研究院）
我们认为，除了混杂的问题，发现因果关系的独立性约束的选择偏差。虽然开创性的FCI算法是健全和完整的，在这种设置下，没有标准的因果关系的解释，其输出下的选择偏见是目前已知的。相反，我们专注于本地模式的独立关系，在那里我们找到没有声音的方法，只有三个变量，可以包括背景知识。Y-结构模式被证明是合理的选择偏差下的数据，其中可能存在周期预测因果关系。我们引入了一个有限样本评分规则的Y结构，成功地预测因果关系的模拟实验，包括选择机制。在真实世界的微阵列数据上，我们表明Y结构变体在不同的数据集上表现良好，可能会避免由于选择偏差而导致的虚假相关性。
2022-03-03 cs.AI cs.LG stat.ML
Towards Practical Federated Causal Structure Learning
The Hong Kong University of Science and Technology（香港科技大学）
本文提出联邦因果结构学习方案FedC2SL，通过联邦条件独立性检验在不收集原始数据的情况下学习因果图，并给出FedPC和FedFCI两种变体，在合成与真实数据上验证了其对数据异质性的强鲁棒性。
2023-06-19 cs.AI cs.LG stat.ME
Large Language Models for Constrained-Based Causal Discovery
Universitat de València（瓦伦西亚大学）
本文研究用大语言模型替代领域专家执行条件独立性判断，并结合 PC 算法进行基于约束的因果发现，提出统计启发式投票机制以控制误报和漏报。
2024-06-11 cs.AI cs.CL
Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding
fedCI-IOD通过联邦学习在潜在混杂因素下实现跨异构数据集的因果发现，提升统计功效并保护隐私。
2026-03-05 cs.AI cs.LG stat.ML
Group invariance principles for causal generative models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
原因和机制独立性（ICM）的假设最近导致了几个新的因果发现算法。然而，对独立性的解释及其使用方式在这些方法中各不相同。我们在本文中的目的是提出一个群理论框架ICM统一和推广这些方法。在我们的设置中，原因机制的关系进行评估，通过比较它对一个原假设通过随机通用组转换的应用。我们表明，群论观点提供了一个非常通用的工具来研究数据生成机制的结构，并直接应用于机器学习。
2017-05-05 cs.AI cs.LG math.ST
Iterative Causal Discovery in the Possible Presence of Latent Confounders and Selection Bias
Intel Labs（英特尔实验室）
我们提出了一个健全的和完整的算法，称为迭代因果发现（ICD），恢复因果图中存在潜在的混杂因素和选择偏差。ICD依赖于因果马尔可夫和忠实性假设，并恢复基本因果图的等价类。它从一个完整的图开始，由一个迭代阶段组成，该阶段通过识别连接节点之间的条件独立性（CI）来逐渐细化该图。在任何迭代之后所需要的独立性和因果关系是正确的，从而在任何时候都呈现ICD。本质上，我们将CI条件集的大小与其在图上与测试节点的距离联系起来，并在后续迭代中增加该值。因此，每次迭代都细化由具有较小条件集的先前迭代恢复的图-较高的统计功效-这有助于稳定性。我们根据经验证明，与FCI、FCI+和RFCI算法相比，ICD需要的CI测试明显更少，并且可以学习更准确的因果图（代码可在https：//github.com/IntelLabs/caibrity-lab获得）。
2022-01-17 cs.AI cs.LG stat.ME
Ancestral Causal Inference
VU Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（内梅亨大学）
从有限的数据中发现基于约束的因果关系是一个众所周知的困难的挑战，由于许多边界独立性测试的决定。最近已经提出了几种方法来提高预测的可靠性，利用冗余的独立信息。虽然有前途，现有的方法仍然可以大大提高精度和可扩展性。我们提出了一种新的方法，减少组合爆炸的搜索空间通过使用更粗粒度的因果信息表示，大大减少计算时间。此外，我们提出了一种方法来评分因果预测的基础上，他们的信心。至关重要的是，我们的实现还允许人们轻松地结合观察和干预数据，并纳入各种类型的可用背景知识。我们证明了我们的方法的合理性和渐近一致性，并表明它可以优于国家的最先进的合成数据，实现了几个数量级的加速。我们通过将其应用于具有挑战性的蛋白质数据集来说明其实际可行性。
2017-01-26 cs.AI cs.LG stat.ML
Stable Prediction via Leveraging Seed Variable
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；Peking University（北京大学）；Netease（网易）
在本文中，我们关注的问题，稳定的预测在未知的测试数据，测试分布是不可知的，可能是完全不同的训练。在这种情况下，以前的机器学习方法可能会利用由非因果变量引起的训练数据中的微妙虚假相关性进行预测。这些虚假的相关性在数据之间是可变的，导致数据之间的预测不稳定。通过假设因果变量和响应变量之间的关系在数据中是不变的，为了解决这个问题，我们提出了一个基于条件独立性检验的算法，以分离这些因果变量与种子变量作为先验，并采用它们进行稳定的预测。通过假设因果和非因果变量之间的独立性，我们表明，无论是理论上和实证实验，我们的算法可以精确地分离因果和非因果变量的稳定预测跨测试数据。在合成数据集和真实数据集上的大量实验表明，我们的算法在稳定预测方面优于最先进的方法。
2020-06-09 cs.AI cs.LG stat.ML
On Discovery of Local Independence over Continuous Variables via Neural Contextual Decomposition
AI Institute, Seoul National University（首尔国立大学AI研究所）；Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院）
针对连续变量上难以检验上下文特定独立性的问题，本文提出 CSSI 概念与神经上下文分解 NCD，通过学习联合结果空间划分发现局部因果独立性。
2024-05-12 cs.AI cs.LG stat.ML
Categoroids: Universal Conditional Independence
Adobe Research（奥多比研究院）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
条件独立性在人工智能、因果推理、机器学习和统计学中有着广泛的应用。我们介绍范畴，一个代数结构的特点普遍属性的条件独立。范畴被定义为两个范畴的混合：一个编码由对象和它们之间的箭头定义的预定格结构;第二个对偶参数化涉及定义条件独立结构的三角对象和态射，桥态射提供二进制和三进制结构之间的接口。我们用公理集的三个著名的例子来说明范畴：图形，整数值多集和分离。函子类将一个类范畴映射到另一个类范畴，保留了共域类范畴中所有三种类型的箭头所定义的关系。我们描述了一个自然的转换函体，这是自然的定期对象和三角形对象，构建条件独立的普遍表示。我们使用类范畴之间的关系和单子来抽象地刻画条件独立性的图形和非图形表示的忠实性。
2022-08-24 cs.AI cs.LG math.CT
