Causal Reasoning in Pieces: Modular In-Context Learning for Causal Discovery
Leiden Institute of Advanced Computer Science (LIACS)（莱顿先进计算机科学研究所）
针对大语言模型因果推理难题，本研究测试前沿推理模型在因果发现任务上的表现，提出受思维树/链启发的模块化上下文流水线，实现近三倍性能提升，为跨领域因果发现提供可推广框架。
2025-07-31 cs.AI
Leveraging Large Language Models for Causal Discovery: a Constraint-based, Argumentation-driven Approach
Department of Computing（计算系）；Imperial College London（帝国理工学院伦敦分校）
本文提出利用大语言模型作为不完美的专家，结合语义结构先验和条件独立性证据，实现因果发现的先进方法。
2026-08-12 cs.AI
Hybrid Local Causal Discovery
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）；University of South Australia（澳大利亚南岸大学）；School of Hong Kong Polytechnic University, Department of Computing（香港理工大学计算机学院）；School of Computer Science and Information Technology, Hefei University of Technology（合肥工业大学计算机科学与信息技术学院）
针对基于约束方法的级联错误及全局评分方法受局部等价类影响的问题，本文提出 HLCD 混合算法，结合 OR 规则候选骨架、评分剪枝与结构评分定向，并在 14 个数据集上验证其优于 7 种现有方法。
2025-05-12 cs.AI
Integrating Large Language Model for Improved Causal Discovery
School of Computer Science and Technology, University of Science and Technology of China（计算机科学与技术学院，中国科学技术大学）；University of Science and Technology of China（中国科学技术大学）；Laboratory for Big Data and Decision, University of Science and Technology of China（大数据与决策实验室，中国科学技术大学）；First Affiliated Hospital of University of Science and Technology of China（中国科学技术大学第一附属医院）
针对专家资源稀缺及LLM因果推理不准确的问题，提出容错的LLM驱动因果发现框架，通过准确性提示策略、知识-结构转换及数据拟合与先验遵循的平衡，提升因果发现效果并增强对LLM先验误差的鲁棒性。
2025-08-26 cs.AI
The WHY in Business Processes: Discovery of Causal Execution Dependencies
IBM Research（IBM研究院）
本研究针对流程发现算法仅依赖时间先后、缺乏因果视角的问题，提出结合活动时序与现有因果发现算法的系统性方法，挖掘流程任务的因果执行依赖，分析流程挖掘模型与因果模型的差异并标注，在合成及公开基准数据集上完成验证。
2024-11-29 cs.AI
DMCD: Semantic-Statistical Framework for Causal Discovery
Causify AI
DMCD通过结合语义引导的先验和统计验证，实现了在因果发现任务中的高性能表现。
2026-02-23 cs.AI
Decentralized Causal Discovery using Judo Calculus
Adobe Research and University of Massachusetts, Amherst（Adobe研究院和马萨诸塞大学）
该研究提出用柔道演算进行因果发现的直觉主义去中心化框架，其将上下文依赖性形式化为局部真值，描述了算法和实现框架，结合多种因果发现方法，通过实验展示了层理论因果发现的计算效率及相对于经典方法的性能提升。
2026-07-28 cs.AI
Order-based Causal Discovery for Multistage Processes
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院工业与系统工程系）
针对多阶段过程中现有因果发现方法的不足，提出基于顺序的因果发现方法OCDM。通过结合过程知识和新算法推断因果结构，并用新剪枝技术消除伪边，实验证明其优于现有方法。
2026-07-07 cs.AI cs.LG
Incorporating Causal Analysis into Diversified and Logical Response Generation
Alibaba Group（阿里巴巴集团）；Huazhong University of Science and Technology（华中科技大学）；Ant Group（蚂蚁集团）
虽然条件变分自编码器（CVAE）模型可以比传统的Seq 2Seq模型生成更多样化的响应，但是响应通常与输入的单词相关性低或者与问题不合逻辑。本文通过因果分析来研究其背后的原因，并提出了寻找调解人和减轻对话中混杂偏见的方法。具体来说，我们建议预测的介质，以保持相关的信息和自回归纳入生成过程中的介质。此外，一个动态的主题图引导的条件变分自编码器（TGG-CVAE）模型被用来补充的语义空间，减少混淆的偏见的反应。大量的实验表明，该模型能够生成相关的和信息丰富的响应，并优于国家的最先进的自动度量和人类的评价。
2022-10-11 cs.AI cs.CL
Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
Fujitsu Limited（富士通公司）；TU Dresden（德累斯顿工业大学）
该研究探索LLMs在数据驱动因果发现中的潜力，通过成对提示和基于BFS的提示策略整合观测数据，实验显示其F1分数最多提高0.11分且优于传统基线最多0.52分，为LLM驱动的因果发现奠定基础。
2025-04-15 cs.AI cs.LG
Relational Causal Discovery with Latent Confounders
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Pinterest, Inc.（Pinterest公司）；Adobe Research（Adobe研究）
针对关系数据中存在潜在混杂因子的因果发现问题，提出可靠且完备的算法 RelFCI，基于 FCI 和 RCD 定义新图模型，并在理论和实验上验证了其有效性。
2025-11-03 cs.AI cs.LG
A Novel Approach to Eliminating Hallucinations in Large Language Model-Assisted Causal Discovery
Stony Brook University（石溪大学）
本文首次调查了大语言模型在因果发现中的幻觉问题，提出用RAG以及多模型辩论加仲裁器的新方法来减少幻觉，并验证了两种方法效果相当。
2024-11-16 cs.AI cs.CL
Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms?
Korea University（高丽大学）；UNIST（蔚山科学技术院）；LG AI Research（LG AI研究院）；Seoul National University（首尔大学）；SNU-LG AI Research Center（首尔大学-LG AI研究中心）
本文提出一种新框架，通过初始化邻接矩阵和引入正则化，将PLM提取的先验知识与因果发现算法相结合，克服了PLM在因果发现中过度依赖提示设计的局限并提升了性能。
2023-11-19 cs.AI cs.LG
Hierarchical Graph Neural Networks for Causal Discovery and Root Cause Localization
NEC Laboratories America Inc.（NEC美国实验室）；University of Central Florida（中佛罗里达大学）；Amazon Inc.（亚马逊公司）；University of Utah（犹他大学）
在本文中，我们提出了REASON，一个新的框架，使自动发现的两个内级（即，网络内）和层间（即，跨网络）的因果关系。推理包括拓扑因果发现和个体因果发现。拓扑因果发现组件旨在对故障传播进行建模，以便追溯到根本原因。为了实现这一目标，我们提出了新型的分层图神经网络，通过对层内和层间非线性因果关系建模来构建相互依赖的因果网络。基于学习到的相互依赖的因果网络，我们利用随机游走与重启来模拟系统故障的网络传播。Individual Causal Discovery组件专注于捕获单个系统实体的突变模式。该组件检查每个实体的度量数据的时间模式（即，时间序列），并基于极值理论估计其作为根本原因的可能性。结合拓扑和个体因果分数，前K个系统实体被识别为根本原因。在三个真实数据集上的大量实验和案例研究证明了该框架的有效性和优越性。
2023-02-03 cs.AI cs.LG
Linear Causal Discovery with Interventional Constraints
纳入因果知识和机制对于完善因果模型和改进下游任务（例如设计新治疗方法）至关重要。在本文中，我们引入了一个新的概念，在因果发现，称为介入约束，这从根本上不同于介入数据。虽然干预性数据需要变量的直接扰动，但干预性约束以因果效应的不等式约束的形式对高层次的因果知识进行编码。例如，在Sachs数据集中（Sachs et al.\ 2005年），Akt已被证明是由PIP3激活，这意味着PIP3对Akt发挥积极的因果作用。现有的因果发现方法允许强制执行结构约束（例如，需要从PIP3到Akt的因果路径），但它们仍然可能产生不正确的因果结论，例如学习“PIP3抑制Akt”。干预约束通过明确约束变量对之间的总因果效应来弥合这一差距，确保学习模型尊重已知的因果影响。为了形式化干预约束，我们提出了一个度量来量化线性因果模型的总因果效应，并将问题制定为约束优化任务，使用两阶段约束优化方法求解。我们在真实世界的数据集上评估了我们的方法，并证明了整合干预性约束不仅提高了模型的准确性，确保了与已有发现的一致性，使模型更易于解释，而且还有助于发现新的因果关系，否则识别成本很高。
2025-10-30 cs.AI cs.LG
Embracing the black box: Heading towards foundation models for causal discovery from time series data
Friedrich Schiller University Jena（弗里德里希·席勒耶拿大学）
针对现有时间序列因果发现方法不支持端到端学习的问题，提出因果预训练方法，通过监督学习直接映射多元时间序列至因果图，发现其性能随数据和模型规模增加而提升，为因果发现基础模型提供了可能性。
2024-02-14 cs.AI cs.LG
Domain Knowledge in A*-Based Causal Discovery
causaLens（causaLens公司）；King’s College London（伦敦国王学院）
因果发现已经成为科学家和从业者想要从观测数据中发现因果关系的重要工具。虽然大多数以前的因果发现方法都隐含地假设没有专业领域知识，但从业者通常可以从以前的经验中提供这样的领域知识。最近的工作已纳入领域知识的约束为基础的因果发现。然而，大多数这种基于约束的方法都假定因果忠实性，这在实践中经常被违反。因此，人们重新关注基于精确搜索分数的因果发现方法，这些方法不假设因果忠实性，例如基于A* 的方法。然而，在领域知识的背景下没有考虑这些方法。在这项工作中，我们专注于有效地整合几种类型的领域知识到A* 为基础的因果发现。在此过程中，我们讨论并解释领域知识如何减少图搜索空间，然后提供对潜在计算收益的分析。我们通过对合成数据和真实数据的实验来支持这些发现，表明即使是少量的领域知识也可以大大加快基于A* 的因果发现，并提高其性能和实用性。
2022-08-17 cs.AI cs.LG stat.ML
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University（西安交通大学）
了解因果关系有助于构建干预措施，以实现特定目标，并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加，因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上，缺乏对基于深度学习的方法进行完善的梳理和阐述，也缺乏从变量范式角度对因果发现方法的思考和探索。因此，本文根据变量范式将可能的因果发现任务分为三类，分别给出了三类任务的定义，定义并实例化了每类任务的相关数据集以及最终构建的因果模型，并对现有的主要因果发现方法进行了评述。最后，针对目前因果发现领域的研究空白，从不同角度提出了一些路线图，并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
University of Bath（巴斯大学）
研究针对具有方向性链式结构的系统，提出通过阻断干预识别因果结构的方法，实现有限样本下的准确估计。
2026-04-03 cs.AI cs.LG
Causal Discovery in Recommender Systems: Example and Discussion
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Milano-Bicocca（米兰比可卡大学）；University of Klagenfurt（克拉根福大学）
该研究针对推荐系统问题，结合开源数据集观测数据与先验知识开展因果发现任务以学习因果图，发现仅少数变量有效影响反馈信号，与当前大模型多变量趋势形成对比。
2024-09-16 cs.AI cs.IR
Collaborative Causal Discovery with Atomic Interventions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们引入了一个新的协作因果发现问题，通过该问题，我们模拟了一个常见的场景，其中我们有多个独立的实体，每个实体都有自己的因果图，目标是同时学习所有这些因果图。我们研究这个问题没有因果充分性假设，使用最大祖先图（MAG）模型的因果图，并假设我们有能力积极执行独立的单顶点（或原子）干预的实体。如果$M$底层（未知）的因果图的实体满足聚类的自然概念，我们给出算法，利用这个属性，并恢复所有的因果图使用大致对数的$M$原子干预每个实体。这些显著少于分别学习每个因果图所需的每个实体的$n$原子干预，其中$n$是因果图中可观察节点的数量。我们补充我们的结果与下限，并讨论我们的合作设置的各种扩展。
2021-06-06 cs.AI cs.LG
CausalSteward: An Agentic Divide-Conquer-Combine Copilot for Causal Discovery
提出CausalSteward多智能体框架，通过分治策略将高维变量迭代划分并分别分析，融合先验知识与数据驱动方法，解决因果可识别性问题。
2026-07-03 cs.AI cs.MA
CausalAffect: Causal Discovery for Facial Affective Understanding
Xi’an Jiaotong University（西安交通大学）；Queen Mary University of London（伦敦大学玛丽女王学院）；Kings College London（伦敦大学国王学院）
CausalAffect通过因果图发现框架，实现了面部情感分析中因果关系的建模与识别，提升了AU检测和表达识别的性能。
2025-11-29 cs.AI cs.CV
The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
School of Mathematics, Southeast University, Nanjing 210096, China（数学学院，东南大学，南京210096，中国）；School of Cyber Science and Engineering, Southeast University, Nanjing 210096, China（网络科学与工程学院，东南大学，南京210096，中国）
本工作系统评估了主流因果发现算法在八种模型假设违背下的表现，发现可微分方法在除尺度变化外的场景中具有鲁棒性，并提供了理论解释与评估标准。
2025-10-14 cs.AI cs.LG stat.ME
Causal Discovery for Manufacturing Domains
Robert Bosch LLC（罗伯特·博世有限责任公司）
产量和质量的提高对任何制造公司都至关重要。提高产量的方法之一是通过发现影响产量的根本原因。我们建议使用数据驱动的可解释的因果模型来确定影响产量的关键因素。我们专注于在产品制造周期的不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从这条线收集的真实数据。具体来说，这项工作的目标是从生产线产生的观测数据中学习可解释的因果模型。重点已经给出了模型的可解释性，使他们在制造领域的行动。我们强调了装配线数据带来的挑战，并提出了缓解这些挑战的方法。我们还确定了源自装配线的数据的独特特征，以及如何利用它们来改善因果发现。因果结构学习的标准评估技术表明，学习的因果模型似乎密切代表了生产过程中不同因素之间的潜在因果关系。这些结果也得到了制造领域专家的验证，他们认为这些结果很有前途。这项工作演示了如何数据采掘和知识发现可以用于根本原因分析领域的制造业和连接的行业。
2016-06-13 cs.AI cs.LG
Local Causal Discovery for Statistically Efficient Causal Inference
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）；Saarland University（萨尔大学）
本文提出LOAD方法，结合局部方法的高效性与全局方法的统计最优性，实现高效准确的因果调整集发现。
2026-03-31 cs.AI cs.LG stat.ML
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers，含多区域河流流量数据与因果真值图，可生成多样基准测试，助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
Causal Discovery for Gene Regulatory Network Prediction
Carnegie Mellon University（卡内基梅隆大学）
生物系统和过程是核酸、蛋白质和代谢物之间复杂的非线性调节相互作用的网络。表示这些交互网络的一种自然方式是使用图。在该公式中，每个节点代表核酸、蛋白质或代谢物，边缘代表分子间相互作用（抑制、调节、促进、共表达等）。在这项工作中，一个新的算法发现的潜在图结构的实验数据。
2023-01-03 cs.AI q-bio.MN
Deep Causal Learning: Representation, Discovery and Inference
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Peking University（北京大学）
本文全面综述了深度学习如何通过表示、发现和推断三个维度解决传统因果学习的高维变量、未观测混杂因素等挑战，强调其对推进因果科学理论与应用的关键作用。
2024-07-30 cs.AI cs.LG
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；ÉTS Montréal（蒙特利尔高等技术学院）
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而，学习这样的表示是非常具有挑战性的。因此，我们制定了从高维数据中学习因果表示的问题，并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型，解码器BCD，贝叶斯因果发现，并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素，并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Comparative Benchmarking of Causal Discovery Techniques
TCS Research（塔塔咨询服务研究部）
在本文中，我们提出了一个全面的观点突出的因果发现算法，分为两个主要类别（1）假设无循环和无潜变量，（2）允许循环和潜变量，以及实验结果比较他们从三个角度：（a）结构准确性，（b）标准预测准确性，（c）准确性的反事实推理。对于（b）和（c），我们训练具有由每种因果发现技术预测的结构的因果贝叶斯网络，以执行反事实或标准预测推理。我们比较了两个publicly可用的因果算法和一个模拟数据集具有不同的样本大小：小，中，大。实验表明，技术的结构准确性并不一定与推理任务的更高准确性相关。此外，在具有大量变量的数据集的情况下，调查的结构学习算法在结构准确性方面表现不佳。
2017-09-12 cs.AI stat.ML
Causal Discovery from Time-Series Data with Short-Term Invariance-Based Convolutional Neural Networks
Faculty of Computing（计算机学院）；Harbin Institute of Technology（哈尔滨工业大学）；The Artificial Intelligence Institute（人工智能研究所）；The Department of Computer Science（计算机科学系）；The University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
STIC通过卷积神经网络利用短期不变性从时间序列数据中发现因果关系，实验表明其在有限观测时间步长时性能优异。
2024-08-15 cs.AI cs.LG
Ordering-based Causal Discovery via Generalized Score Matching
Monash University（墨尔本大学）；CSIRO’s Data61（CSIRO的数据61）
本文提出了一种基于通用分数匹配的因果发现方法，通过引入离散分数函数的叶判别准则，实现了对离散数据中真实因果顺序的准确推断，并提升了现有因果发现方法的准确性。
2026-07-28 cs.AI cs.LG
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne（墨尔本大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Peking University（北京大学）；Adelaide University（阿德莱德大学）；Hong Kong Baptist University（香港浸会大学）；The University of Sydney（悉尼大学）；Carnegie Mellon University（卡内基梅隆大学）
提出因果集成智能体（CEA）框架，通过线性意见池聚合不同层次的统计因果发现结果，并利用大语言模型（LLM）作为元裁判在决策边界附近动态重加权专家，从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
Multi-label Causal Variable Discovery: Learning Common Causal Variables and Label-specific Causal Variables
University of Science and Technology of China（中国科学技术大学）；Hangzhou Normal University（杭州师范大学）
马尔可夫边界（MB）中的因果变量在广泛的单标签任务中得到了广泛的应用。然而，由于多标签数据中因果关系的复杂性，使得多标签数据中的因果变量发现研究较少。针对多标签情景中某些变量可能包含多个标签的因果信息的问题，研究了多标签因果变量发现问题，以及区分多标签共享的公共因果变量和与某些单标签关联的特定标签因果变量的问题。考虑非正联合概率分布下的多个宏块，探讨了公共因果变量与等价信息现象之间的关系，发现等价信息对解的影响遵循不同的机制，有无标签因果关系存在.通过对这些机制的分析，给出了公共因果变量的理论性质，并在此基础上设计了识别这两类变量的发现和区分算法。与单标签问题类似，多标签因果变量问题也具有广泛的应用前景。为了证明这一点，我们提出的因果机制，多标签特征选择，并提出了一个可解释的算法，这被证明是实现最小的冗余和最大的相关性。大量的实验证明了这些贡献的有效性。
2020-11-09 cs.AI cs.IT cs.LG
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院）；Zhili College, Tsinghua University, Beijing, China（清华大学哲利学院）
本文提出Tree-Query框架，通过多专家LLM和对抗性置信度估计，实现透明、可解释的因果发现，提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
Supervised Whole DAG Causal Discovery
Iowa State University（爱荷华州立大学）
我们建议以监督的方式解决从数据中学习因果结构的任务。现有的监督学习学习因果方向的工作局限于学习两两关系，不适合整个DAG发现。我们提出了一种新的方法建模的整个DAG结构发现作为一个监督学习。为了适合手头的问题，我们建议使用排列等变模型，以及对齐的问题域。我们广泛评估所提出的方法在大小为10，20，50，100的合成图和真实数据上，并与各种以前的方法相比，显示出有前途的结果。
2020-06-08 cs.AI cs.LG stat.ML
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
Causal Discovery by Interventions via Integer Programming
Arizona State University（亚利桑那州立大学）；University of Pittsburgh（匹兹堡大学）
本文针对观测因果发现受混杂变量限制的问题，提出利用整数规划设计最小干预集，以保证因果结构可辨识，并通过多场景比较验证了方法的适用性与稳健性。
2024-12-02 cs.AI cs.LG stat.ML
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
Cluster-Dags as Powerful Background Knowledge For Causal Discovery
Technical University Munich（慕尼黑技术大学）；Helmholtz Munich（海德堡-慕尼黑研究所）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出利用簇DAGs作为先验知识框架，改进因果发现算法，通过模拟数据验证其在高维和复杂依赖下的优越性。
2026-08-27 cs.AI cs.LG stat.ML
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine（加利福尼亚大学欧文分校）
针对高维数据集因果发现的NP难问题，提出ALCM框架融合数据驱动算法与LLMs，通过三个组件自主协作生成更优因果图，实验表明其性能优于现有方法，为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
A Meta-Reinforcement Learning Algorithm for Causal Discovery
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Universiteit van Amsterdam（阿姆斯特丹大学）
因果发现是机器学习的一项重要任务，因为因果结构可以使模型超越纯粹的基于相关性的推理，并显着提高其性能。然而，从数据中找到因果结构在计算工作量和准确性方面都构成了重大挑战，更不用说在没有干预的情况下不可能实现。在本文中，我们开发了一个Meta强化学习算法，通过学习执行干预，使其可以构建一个明确的因果图进行因果发现。除了对可能的下游应用有用之外，估计的因果图还为数据生成过程提供了解释。在这篇文章中，我们表明，我们的算法估计一个很好的图相比，SOTA的方法，即使在环境中的潜在因果结构是以前看不见的。此外，我们做了一个消融研究，显示如何学习干预有助于我们的方法的整体性能。我们的结论是，干预措施确实有助于提高绩效，有效地对可能看不见的环境的因果结构进行准确估计。
2023-02-21 cs.AI cs.LG stat.ME
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
Applied Artificial Intelligence Institute (A2I2)（应用人工智能研究所）；Deakin University（迪肯大学）
针对Post-Nonlinear因果模型中可逆性约束难以捕捉的问题，提出基于归一化流的因果发现方法CAF-PoNo，通过精确重构隐藏噪声实现双变量与多变量因果发现，性能优于现有先进方法。
2024-08-29 cs.AI cs.LG stat.ME
Typing assumptions improve identification in causal discovery
Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；Samsung AI Center Montreal（三星蒙特利尔人工智能中心）
从观测数据中发现因果关系是一项具有挑战性的任务，只能解决一组等价的解决方案，称为等价类。这样的类，这往往是大的尺寸，编码的不确定性的因果图中的一些边缘的方向。在这项工作中，我们提出了一套新的假设，约束可能的因果关系的基础上的变量的性质，从而限制等价类。也就是说，我们引入类型有向无环图，其中变量类型用于确定因果关系的有效性。我们证明，无论是理论和经验，所提出的假设可以导致显着的收益在因果图的识别。我们还提出了因果发现算法，利用这些假设和模拟和伪真实数据证明其好处。
2022-02-28 cs.AI cs.LG stat.ML
Multi-Domain Causal Discovery in Bijective Causal Models
Columbia University（哥伦比亚大学）；Leiden University（莱顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文研究多领域环境下的因果发现问题，假设因果函数不变而外生噪声分布可变，提出利用双射生成机制（BGM）放宽函数假设，推导出寻找目标变量父代集的统计检验方法，并在合成与真实数据集上验证了理论有效性。
2025-04-30 cs.AI cs.LG stat.ME
Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery
University of Houston（德克萨斯大学休斯顿分校）；NEC Laboratories America（NEC美国实验室）；Florida International University（佛罗里达国际大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出 MATMCD，一个由工具增强 LLMs 驱动的多智能体系统，通过 Data Augmentation agent 和 Causal Constraint agent 协同处理多模态数据，实现知识驱动的精确因果发现，并在七个数据集上验证了其显著潜力。
2025-05-31 cs.AI cs.LG stat.ME
Interpretable Causal Discovery via Causal-Effect Constraints
Yale University（耶鲁大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
该研究将条件因果发现转化为贝叶斯推理问题，采用稀有事件估计技术解决小后验质量事件的计算挑战，经合成图和Sachs蛋白质数据集验证了方法的准确性与辅助科学探索的作用。
2026-09-24 cs.AI cs.LG stat.ML
Causal Discovery for Fairness
INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；IPP（巴黎综合理工学院研究院）
考虑基于AI和ML的决策的社会和伦理后果对于安全和可接受地使用这些新兴技术至关重要。特别是，公平性保证了ML的决定不会导致对个人或少数群体的歧视。利用因果关系可以更好地确定和可靠地衡量公平/歧视，这种因果关系考虑到敏感属性（如性别、种族、宗教等）之间的因果关系，而不仅仅是联系。以及决定（例如，工作招聘、贷款发放等）。然而，使用因果关系来解决公平问题的最大障碍是因果模型（通常表示为因果图）的不可用性。现有的因果关系的公平性的方法在文献中不解决这个问题，并假设因果模型是可用的。在本文中，我们不做这样的假设，我们回顾了主要的算法，发现因果关系，从可观察的数据。本研究的重点是因果发现及其对公平性的影响。特别是，我们展示了不同的因果发现方法可能会导致不同的因果模型，最重要的是，因果模型之间的微小差异如何对公平/歧视结论产生重大影响。这些结果通过使用合成和标准公平基准数据集的实证分析得到巩固。本研究的主要目标是强调因果发现步骤的重要性，以适当地解决公平使用因果关系。
2022-06-14 cs.AI cs.CY cs.LG
Learning to Defer for Causal Discovery with Imperfect Experts
University of Oxford（牛津大学）；Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；University of Amsterdam（阿姆斯特丹大学）；Université Laval（拉瓦尔大学）
本文提出 L2D-CD，通过学习弃权函数在经典数据驱动因果发现与不完美专家建议间自适应选择，在 Tübingen pairs 上取得优于二者单独使用的效果。
2025-02-18 cs.AI cs.LG stat.ML
Efficient Causal Graph Discovery Using Large Language Models
Mila, Université de Montréal（蒙特利尔大学Mila研究所）；Mila, McGill University（麦吉尔大学Mila研究所）
本文提出一种利用大语言模型进行完整因果图发现的新框架，通过广度优先搜索方法提高效率，并展示其在不同规模真实因果图上的最佳性能。
2026-04-02 cs.AI cs.LG stat.ME
RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
Alibaba Cloud（阿里云）；SIGS, Tsinghua University（清华大学深圳国际研究生院）；DCST, Tsinghua University（清华大学信息科学技术学院）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
针对工业场景中无干预目标且含文本信息的时序因果发现难题，提出RealTCD框架，结合基于评分的方法与LLM引导的元初始化，在模拟和真实数据上优于现有基线。
2024-05-26 cs.AI cs.LG stat.ME
Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper
Intel Labs（英特尔实验室）
从观测数据中发现因果关系是许多科学分支的重要工具。在某些假设下，它允许科学家解释现象，预测和做出决策。在大样本的限制，声音和完整的因果关系发现算法已被引入，其中有向无环图（DAG），或其等价类，表示因果关系的搜索。然而，在现实世界中，只有有限的训练数据可用，这限制了这些算法使用的统计测试的能力，导致推断的因果模型中的错误。这通常通过设计尽可能少使用统计检验的策略来解决。在本文中，我们介绍了这样一个战略的形式，现有的约束为基础的因果发现算法，保持健全性和完整性的递归包装。它从一开始就使用规范化的最小割准则递归地对观察到的变量进行聚类，并在回溯过程中使用基线因果发现算法来学习局部子图。然后将它们组合起来并确保完整性。通过消融研究，使用合成数据，并通过常见的现实世界的基准，我们证明，我们的方法需要显着更少的统计测试，学习更准确的图形，并需要更短的运行时间比基线算法。
2021-07-11 cs.AI cs.LG stat.ML
