ProximalFM: Amortized Proximal Causal Inference under Hidden Confounding
University of Oxford（牛津大学）；Harvard University（哈佛大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Perelman School of Medicine, University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Vector Institute（向量研究所）；University College London（伦敦大学学院）
针对隐藏混杂下的近端因果推断，提出ProximalFM模型，利用先验数据拟合网络将贝叶斯算子反演摊销为单次前向传播，直接估计CATE后验分布，在多种近端场景中无需调参即表现优异。
2026-10-15 cs.LG stat.ML
Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning
Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）
潜在混杂一直是从观测数据进行因果推理的一个长期障碍。一种流行的方法是使用无环有向混合图（ADMG）来建模数据，该图使用有向和双向边来描述变量之间的祖先关系。然而，使用ADMG的现有方法是基于线性函数假设或离散搜索，这是复杂的使用，并缺乏大型数据集的计算易处理性。在这项工作中，我们进一步扩展了现有的工作，并开发了一种新型的基于梯度的方法来从观察数据中学习具有非线性函数关系的ADMG。我们首先表明，潜在的混淆的存在下，无弓ADMG与非线性加性噪声模型的假设是可识别的。有了这个见解，我们提出了一种新的神经因果模型的基础上自回归流ADMG学习。这不仅使我们能够在存在潜在混杂的情况下确定数据背后复杂的因果结构关系，而且还可以同时估计它们的功能关系（因此是治疗效果）。我们通过在合成和真实世界数据集上的实验进一步验证了我们的方法，并展示了相对于相关基线的竞争性能。
2023-03-22 cs.LG stat.ME
Graph Distance Based on Cause-Effect Estimands with Latents
Helmholtz Munich（慕尼黑海德堡研究所）；Technical University of Munich（慕尼黑技术大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对潜混杂下因果发现图评估困难的问题，提出基于因果效应估计下游任务的ADMG图距离度量，用固定识别与符号验证器量化图差异对效应估计的扭曲，分析了其在图扰动下的行为并与现有指标对比。
2025-10-28 cs.LG
Intact-VAE: Estimating Treatment Effects under Unobserved Confounding
The Graduate University for Advanced Studies（综合研究大学院大学）；The Institute of Statistical Mathematics（统计数学研究所）
注：本预印本有一个有缺陷的理论公式。请避免使用此选项，并参考ICLR 22出版物https://openreview.net/forum? id=q7n2RngwOM。此外，arXiv：2109.15062包含了一些关于未观察到的混淆的新想法。作为因果推断中的一个重要问题，我们讨论了在未观察混杂情况下处理效应的识别和估计。代表作为一个潜在变量的混杂因素，我们提出了完整的VAE，变分自动编码器（VAE）的一个新的变种，由预后评分，这是足以识别处理效应的动机。我们从理论上表明，在某些设置下，处理效应由我们的模型识别，并且进一步，基于我们的模型的可识别性（即，代表的确定性），我们的VAE是一个相合估计量，代表治疗组平衡。在（半）合成数据集上的实验显示了不同设置下的最新性能。
2022-04-21 cs.LG stat.ME stat.ML
Flow Matching under Noisy Latent Structure: Beyond Exact Low-Dimensional Support
Zhongtai Securities Institute for Financial Studies, Shandong University（山东大学中泰证券金融研究院）
针对噪声潜在结构下的流匹配问题，提出空间正则ReLU速度类，证明样本复杂度由潜在维度主导，无需精确低维支撑即可获得Wasserstein收敛保证。
2026-10-01 cs.LG stat.ML
Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding
Department of Electrical Engineering and Computer Science, Syracuse University（Syracuse大学电气工程与计算机科学系）；Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
针对连续域上存在未观测混杂的因果效应评估问题，提出一种基于外生域离散化的因果高斯过程模型，可任意逼近任意因果模型的观测和干预分布。
2026-06-23 cs.LG
Spatial Deconfounder: Interference-Aware Deconfounding for Spatial Causal Inference
本文提出空间去混杂方法，通过条件变分自编码器重构替代混杂变量，以识别直接和溢出效应，改进空间数据的因果推断。
2026-06-27 cs.LG stat.ML
Matched sample selection with GANs for mitigating attribute confounding
University of California at Berkeley（加州大学伯克利分校）；Massachusetts Institute of Technology（麻省理工学院）；California Institute of Technology（加州理工学院）；Amazon Web Services（亚马逊网络服务）
随着视觉系统在社会中的广泛使用，测量这些系统在性别和年龄等受保护属性方面的偏差至关重要。然而，基准数据集中属性之间的显著相关性使得很难将算法偏见与数据集偏差分开。为了减轻这种属性混淆在偏见分析，我们提出了一种匹配的方法，选择一个子集的图像从完整的数据集与平衡的属性分布在受保护的属性。我们的匹配方法首先以保留语义属性的方式将真实图像投影到生成对抗网络（GAN）的潜在空间上。然后，它在这个潜在空间中找到一个选定的受保护属性的图像匹配，产生一个数据集，其中语义和感知属性在受保护属性中得到平衡。我们验证投影和匹配策略与定性，定量和人类注释实验。我们在多个开源面部识别分类器的性别偏见背景下展示了我们的工作，并发现在通过匹配去除关键混杂因素后，偏见仍然存在。代码和文档可以在https://github.com/csinva/matching-with-gans上复制这里的结果并将方法应用于新数据。
2021-03-24 cs.AI cs.CV cs.LG
Multiple Causal Inference with Latent Confounding
New York University（纽约大学）；Columbia University（哥伦比亚大学）
从观察数据中进行因果推断需要假设。这些假设的范围从测量混杂因素到识别工具。传统上，因果推断假设集中于估计单一治疗的效果。在这项工作中，我们构建技术，估计与多个治疗存在未观察到的混杂。我们开发了两个假设的基础上共享的混杂因素之间的治疗和治疗的独立性的混杂因素。总之，这些假设导致一个混杂估计正则化的互信息。对于这个估计，我们开发了一个易于处理的下界。为了恢复处理效应，我们在处理中使用独立于混杂因素的剩余信息。我们验证模拟和一个例子，从临床医学。
2019-03-01 cs.LG stat.ML
Adversarial Disentanglement by Backpropagation with Physics-Informed Variational Autoencoder
Department of Civil Engineering and Geosciences（土木工程与地球科学系）；Technical University of Delft（代尔夫特理工大学）；Department of Engineering（工程系）；University of Cambridge（剑桥大学）
本文提出了一种结合物理信息和数据驱动的变分自编码器，用于解缠输入信号中的物理因素与混杂影响，提升模型的可解释性和泛化能力。
2025-10-16 cs.LG stat.ML
Gene Regulatory Network Inference with Latent Force Models
University of Cambridge（剑桥大学）；Computer Laboratory（计算机实验室）
当从RNA测序时间序列数据构建基因调控网络（GRNs）时，蛋白质合成的延迟会导致混淆效应。准确的GRN在建模发展、疾病途径和药物副作用时非常有见地。我们提出了一个模型，其中包括翻译延迟相结合的机械方程和贝叶斯方法，以适应实验数据。这使得更大的生物可解释性，并且高斯过程的使用使得能够通过内核实现非线性表达以及自然地解释生物变异。
2020-10-06 cs.LG q-bio.MN
FoundCause: Causal Discovery with Latent Confounders from Observational Data
Amazon Web Services（亚马逊云服务）；Department of Statistics, University of California, Davis（加州大学戴维斯分校统计系）
提出FoundCause，一种基于合成数据训练的摊销因果发现模型，通过单次前向传递直接映射数据集到因果图，显式建模隐混淆因子，在15个真实数据集上优于11种非摊销和4种摊销方法。
2026-06-17 cs.AI cs.LG stat.ME
Network Causal Effect Estimation In Graphical Models Of Contagion And Latent Confounding
Williams College（威廉姆斯学院）
研究网络中传染与潜在混淆的区分问题，基于隔离图表示推导似然比检验识别依赖机制，并提出在完全干扰场景下提供无偏一致估计的网络因果效应估计策略。
2025-03-05 cs.LG stat.ML
Causal Discovery in Mixtures of Populations
Thayer School of Engineering（泰勒工程学院）；Dartmouth College（达特茅斯学院）；Fragment Data Technologies（碎片数据技术）；Department of Computer Science（计算机科学系）；California Institute of Technology（加州理工学院）
本文提出了一种在混合人口中识别因果结构的方法，通过聚类变量形成矩矩阵并利用其秩特性，无需假设结构方程或噪声函数，从而克服全局混淆挑战。
2026-07-13 cs.CC cs.LG math.ST
Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）
潜变量往往掩盖了观测数据中的因果关系，这会引起可能被误解为因果关系的虚假联系。这个问题在气候科学和经济学等领域引起了极大的兴趣。我们建议估计混淆因果关系的时间序列使用顺序因果效应变分自编码器（SCEVAE），同时应用敲除干预。剔除变量与原始变量具有相同的分布，并保持与其他变量的相关性。这允许反事实更忠实于观测分布。我们通过将SCEVAE应用于具有线性和非线性因果联系的合成数据集，展示了敲除干预的优势。此外，我们应用SCEVAE与敲除真实的气溶胶云气候观测时间序列数据。我们比较了我们的结果合成数据的时间序列去干扰方法，估计和没有混淆。我们通过将这两种方法与地面实况进行比较，表明我们的方法优于此基准。对于真实的数据分析，我们依赖于专家知识的因果联系，并演示如何使用合适的代理变量，提高了因果关系的估计存在隐藏的混杂因素。
2022-11-18 cs.LG stat.ME
Disentangled Latent Representation Learning for Tackling the Confounding M-Bias Problem in Causal Inference
Huazhong Agricultural University（华中农业大学）；University of South Australia（南澳大利亚大学）
针对同一变量同时引发混杂偏倚与M偏倚的难题，本文提出DLRCE框架，从代理变量学习三组解耦潜在表示以同时校正两类偏倚，并在合成及三个真实数据集上验证其优于现有估计器。
2023-12-08 cs.AI cs.LG stat.ME
Long-term Causal Inference via Modeling Sequential Latent Confounding
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）；University of Cambridge（剑桥大学）；Peng Cheng Laboratory（鹏城实验室）
针对长期因果推断中潜在混杂的问题，本文拓展了CAECB假设以适配时序短期结果，确立了长期因果效应的可识别性，提出对应估计量并验证了其有效性。
2025-10-22 cs.LG
Learning Granger Causality under Latent Confounding via Intervention-Induced Heterogeneity
Texas A&M University（德克萨斯大学）；University of Tennessee at Chattanooga（田纳西大学查塔努加分校）；Brookhaven National Laboratory（布鲁赫斯国家实验室）
针对传统格兰杰因果方法依赖因果充分性、已知干预目标的假设，难以处理潜在混杂与异质无先验干预时间序列的问题，提出InvarGC方法，利用跨环境异质性减混杂、边级粒度区分干预环境并恢复不变因果关系，实验证明性能优异。
2026-10-06 cs.AI cs.LG
Robust Counterfactual Policy Optimisation via Nondeterministic Causal Models
Durham University（杜伦大学）；University College London（伦敦大学学院）
该研究针对序列决策反事实推理的确定性因果模型假设与MDP随机性的矛盾，提出概率非确定性因果模型下的鲁棒反事实策略优化方法，经脓毒症治疗模拟器验证有效。
2026-08-05 cs.AI cs.LG
Treatment effect estimation with disentangled latent factors
University of South Australia（南澳大利亚大学）
许多研究致力于从观察数据估计治疗效果的问题;然而，大多数方法假设观察变量仅包含混杂因素，即，影响治疗和结果的变量。不幸的是，这一假设在现实世界的应用中经常被违反，因为一些变量只影响治疗而不影响结果，反之亦然。此外，在许多情况下，只能观察到潜在混杂因素的代理变量。在这项工作中，我们首先表明区分混杂因素与工具和风险因素对于平均和条件平均治疗效果估计的重要性，然后我们提出了一种变分推理方法，同时从观察变量中推断潜在因素，将因素分解为三个不相交的集合，分别对应于工具，混杂和风险因素，并将解缠后的因子用于治疗效果评估。实验结果表明，该方法的有效性在广泛的合成，基准和真实世界的数据集。
2021-04-26 cs.LG stat.ML
Deep Recurrent Modelling of Granger Causality with Latent Confounding
University College London（伦敦大学学院）
当无法进行干预时，推断观测时间序列数据中的因果关系是一项重要任务。Granger因果关系是一个流行的框架来推断不同时间序列之间的潜在因果机制。格兰杰因果关系的原始定义仅限于线性过程，并在存在潜在混淆因素的情况下导致虚假结论。在这项工作中，我们利用递归神经网络的表达能力，并提出了一种基于深度学习的方法，通过直接考虑潜在的混杂因素来建模非线性格兰杰因果关系。我们的方法利用多个递归神经网络来参数化预测分布，并且我们提出了使用双解码器设置来进行Granger测试的新方法。我们展示了非线性随机时间序列的模型性能，其中潜在的混淆因素影响不同时滞的因果关系;结果显示了我们的模型与现有基准相比的有效性。
2022-02-23 cs.LG stat.ME
Structural Equation-VAE: Disentangled Latent Representations for Tabular Data
Department of Politics and Public Administration（政治与公共行政系）；The University of Hong Kong（香港大学）；School of Computer Science（计算机科学系）；Carnegie Mellon University（卡内基梅隆大学）；Department of Applied Social Sciences（应用社会科学系）；The Hong Kong Polytechnic University（香港理工大学）
本文提出SE-VAE，通过将测量结构嵌入变分自编码器实现表格数据潜在表示的解耦，并在因子恢复和鲁棒性上优于现有基线。
2025-08-16 cs.AI cs.LG cs.NE
VAE-based latent-space classification of RNO-G data
Uppsala University（乌普萨拉大学）
本文提出利用变分自编码器潜空间对RNO-G射电中微子探测器数据中的噪声事件进行分类，并在噪声与静默台站数据上实现多类事件的自动检测与定性分离。
2023-09-28 astro-ph.HE astro-ph.IM cs.LG
Addressing Instrument-Outcome Confounding in Mendelian Randomization through Representation Learning
ist.ac.at（因斯布鲁克大学）
本文提出了一种基于表征学习的方法，通过利用跨环境不变性来解决孟德尔随机化中的仪器-结果混杂问题，并通过实验验证了其有效性。
2026-02-23 cs.LG
Adjustment for Confounding using Pre-Trained Representations
Department of Statistics, LMU Munich（统计系，慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
该研究探讨利用预训练神经网络潜在特征调整混杂因素以估计平均处理效应，形式化了有效推断的条件，指出高维不可识别的潜在特征不满足传统结构假设，但神经网络可适配内在稀疏性与维度实现快速收敛。
2025-06-17 cs.AI cs.LG stat.CO
Causal Inference for Sequential Settings under Interference and Latent Confounding
MIT（麻省理工学院）
研究顺序观测设置下结果干扰的因果推断，基于最大伪似然估计提供计算高效方法学习模型参数，在温和假设下建立参数估计非渐近一致性，通过实验和案例研究证明方法有效性。
2026-07-17 cs.LG math.PR
Sample-Specific Root Causal Inference with Latent Variables
根本原因分析旨在确定导致不希望的结果的初始扰动集。在之前的工作中，我们使用预测结构方程模型中诊断的外源误差项来定义特定于样本的疾病根本原因。我们使用Shapley值严格量化预测性。然而，用于推断根本原因的相关算法假设没有潜在的混杂。我们通过允许预测变量之间的混杂来放松这一假设。然后，我们介绍了一个相应的程序，称为提取误差与潜在的（EEL）恢复的误差项污染的顶点在某些路径下的线性非高斯非循环模型。EEL还确定了快速计算Shapley值的相关误差的最小集合。该算法绕过了在这两种情况下估计潜在的因果图的困难问题。实验突出了优越的准确性和鲁棒性的EEL相对于它的前辈。
2022-10-27 cs.LG stat.AP stat.ML
Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
针对未测量混杂下的因果效应估计，提出近端平衡方法，通过学习协变量和代理的低维摘要实现组间可比，无需逆问题或潜模型，并提供理论保证与PROBE算法。
2026-10-22 cs.LG stat.ME stat.ML
Latent Composite Likelihood Learning for the Structured Canonical Correlation Model
University College London（伦敦大学学院）
潜变量模型用于估计仅在达到某个测量误差时可观察的感兴趣量的变量。在许多研究中，这些变量是已知的，但不能精确量化（如社会科学和市场营销中的“工作满意度”，教育测试中的“分析能力”，或经济学中的“通货膨胀”）。这导致了测量工具的发展，以记录诸如调查、测试和价格指数等未观察到的变量的嘈杂的间接证据。在这样的问题中，有假设的潜在变量和给定的测量模型。与此同时，其他未预见的潜在变量可能会给观测变量增加进一步的未测量混杂。问题是如何处理未预见的潜在变量。在本文中，我们提供了一种方法松散的典型相关的启发，利用背景信息的“已知”的潜变量。给定一个部分指定的结构，它提供了一种结构学习方法来检测“未知的未知数”，潜在的无限多其他潜在变量的混淆效果。这是在没有明确建模这些额外的潜在因素的情况下完成的。由于问题的特殊结构，我们能够利用复合似然拟合的新变化来有效地学习这种结构。验证提供了合成数据的实验和对联合王国国家保健服务的100 000多名工作人员进行的大型调查的分析。
2012-10-16 cs.LG stat.ML
Realization of Causal Representation Learning to Adjust Confounding Bias in Latent Space
University of Minnesota（明尼苏达大学）；University of Pittsburgh（匹兹堡大学）
本文重新定义因果DAG为do-DAG，通过几何解释识别因果表示偏倚，并提出基于深度学习的框架及实现方法以调整潜在空间中的混杂偏倚。
2023-09-22 cs.LG stat.ME
Gene Regulatory Network Inference in the Presence of Selection Bias and Latent Confounders
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
针对基因表达数据中被忽视的选择偏差和潜在混杂因素导致的虚假依赖问题，提出GISL算法，利用基因扰动数据有效区分并揭示真实基因调控关系及非调控机制。
2025-11-04 cs.LG
Latent Adversarial Debiasing: Mitigating Collider Bias in Deep Neural Networks
University of Edinburgh（爱丁堡大学）；Jagiellonian University（雅盖隆大学）
对撞机偏差是样本选择偏差的一种有害形式，神经网络无法处理。当由于训练数据收集过程，潜在的因果信号与其他混杂信号强烈相关时，这种偏差表现出来。在混淆信号易于学习的情况下，深度神经网络将锁定这一点，由此产生的模型将难以推广到野外测试场景。我们在这里认为，失败的原因是神经网络的深层结构和所使用的贪婪梯度驱动学习过程的结合-一个更喜欢容易计算的信号时，可用的。我们表明，即使在100%的训练数据中存在混杂信号，也可以通过使用潜在对抗性去偏（LAD）生成偏置解耦的训练数据来减轻这种情况。通过在这些对抗性示例上训练神经网络，我们可以提高它们在对撞机偏差设置中的泛化能力。实验显示了LAD在无标记去偏中的最新性能，在背景色MNIST上的增益为76.12%，在前地色MNIST上的增益为35.47%，在损坏的CIFAR-10上的增益为8.27%。
2020-11-19 cs.LG
Causal Inference with Unobserved Confounding: A Mixture Learning Perspective
Massachusetts Institute of Technology（麻省理工学院）
本文提出混合学习视角，将潜在混杂视为异质性来源，通过恢复混合分布与分量机制，实现干预分布和因果估计量的估计，并连接高维混合学习与因果推断。
2026-09-22 cs.LG eess.SP stat.CO
DAG DECORation: Continuous Optimization for Structure Learning under Hidden Confounding
Vanderbilt University（范德比尔特大学）；Vanderbilt University Medical Center（范德比尔特大学医学中心）
针对存在隐藏混杂的线性高斯SEMs结构学习问题，提出全可微估计器\textsc{DECOR}，联合学习DAG与相关噪声模型，给出可识别性充分条件，在合成基准测试中表现优异且鲁棒性强。
2025-10-02 cs.LG stat.ME
Restricted maximum-likelihood method for learning latent variance components in gene expression data with known and unknown confounders
University of Bergen（卑尔根大学）
随机效应模型是用于检测和校正由于全基因组基因表达数据中隐藏的混杂因素而导致的虚假样本相关性的流行统计模型。在已知某些混杂因素的应用中，同时估计随机效应模型中已知和潜在方差分量的贡献是一项挑战，迄今为止，该挑战依赖于基于数值梯度的优化器来最大化似然函数。这是不令人满意的，因为所得的解决方案的特征很差，并且该方法的效率可能是次优的。在这里，我们证明分析，最大似然潜变量总是可以选择正交的已知的混杂因素，换句话说，最大似然潜变量解释样本协方差还没有解释已知的因素。基于这一结果，我们提出了一种限制最大似然方法，通过最大化正交于已知混杂因素的限制子空间上的似然来估计潜在变量，并表明这降低到该子空间上的概率PCA。然后，该方法使用该问题的新推导的解析解，通过在给定潜变量的情况下最大化似然函数中的剩余项来估计方差-协方差参数。与基于梯度的优化器相比，我们的方法获得了更大或相等的似然值，可以使用标准矩阵运算进行计算，导致潜在因素不与任何已知因素重叠，并且运行时间减少了几个数量级。因此，限制的最大似然方法有利于随机效应建模策略的应用，学习潜在的方差分量更大的基因表达数据集比可能与当前的方法。
2021-11-04 cs.LG q-bio.GN q-bio.QM
Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）；University at Buffalo（布法罗大学）
从观察数据中估计个体治疗效果（ITE）在医学上是必不可少的。估计ITE的一个核心挑战是处理混杂因素，这些因素是影响干预及其结果的因素。大多数以前的工作依赖于unconfoundedness假设，假设所有的混杂因素都在观测数据中测量。但是，如果存在不可测量的（潜在的）混杂因素，则会引入混杂偏倚。幸运的是，潜在混杂因素的噪声代理通常是可用的，并且可以用于对ITE进行无偏估计。在本文中，我们开发了一种新的对抗性学习框架，使用噪声代理对ITE进行无偏估计。
2018-11-21 cs.LG stat.ML
Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data
Departments of Biomedical Informatics \& Psychiatry, University of Pittsburgh, Pittsburgh, Pennsylvania 15206, United States of America
提出 DEBIAS 算法，通过学习临床可解释的非负结局聚合权重并利用既往治疗的限时直接效应，提升精神科纵向数据中治疗效应的因果可识别性。
2025-07-25 cs.LG q-bio.QM stat.ML
AI-based association analysis for medical imaging using latent-space geometric confounder correction
Erasmus MC（伊拉斯姆斯医学中心）；Harvard Medical School（哈佛医学院）
本研究提出一种基于潜在空间几何混杂因子校正的方法，通过在自编码器潜在空间中搜索与混杂因子正交且与目标最大共线的无混杂因子向量，解决医学影像AI分析中的混杂效应与可解释性问题，同时保持生成模型的重建质量。
2025-03-04 cs.AI cs.CV cs.LG
Latent Distribution Assumption for Unbiased and Consistent Consensus Modelling
Yandex（扬德克斯）
我们研究了聚集噪声标签的问题。通常，它是通过提出一个随机模型的过程中产生的噪声标签，然后估计模型参数使用观察到的噪声标签。先前引入的生成模型的一个传统假设是，每个对象都有一个潜在的真实标签。相比之下，我们引入了一个新的潜在分布假设，这意味着一个对象的唯一的真实标签可能不存在，而是每个对象可能有一个特定的分布生成一个潜在的主观标签每次观察对象。我们的实验表明，新的假设更适合于困难的任务，当有一个模糊的选择一个“真正的”标签为某些对象。
2019-06-20 cs.HC cs.LG stat.ML
Simultaneous inference for generalized linear models with unmeasured confounders
Carnegie Mellon University（卡内基梅隆大学）
针对含未测量混杂的多元广义线性模型大规模检验问题，提出整合线性投影、lasso 联合估计与偏差校正的统一推断框架，并证明错误控制、功效及单细胞 RNA-seq 应用优势。
2025-03-15 cs.LG q-bio.GN stat.ME
Be Causal: De-biasing Social Network Confounding in Recommendation
University of Technology, Sydney（悉尼科技大学）
在推荐系统中，非随机缺失（MNAR）问题的存在导致了选择偏差问题，最终降低了推荐性能。解决MNAR的一种常见做法是从所谓的“暴露”角度处理缺失条目，即，对项目如何暴露（提供）给用户进行建模。大多数现有的方法使用启发式模型或重新加权策略上观察到的收视率，以模仿随机缺失的设置。然而，很少有研究表明，从因果关系的角度来看，评级是如何缺失的。为了弥补这一差距，我们提出了一个无偏的和强大的方法称为DENC（去偏网络混淆的建议）的启发混淆分析的因果推理。一般来说，DENC从固有因素（例如，潜在用户或项目因素）和辅助网络的视角。特别地，在DENC中提出的暴露模型可以控制社会网络混淆，同时保留观察到的暴露信息。我们还通过平衡表示学习开发了一个去框架模型，保留了主要用户和项目特征，使DENC能够很好地推广评分预测。在三个数据集上的广泛实验验证了我们提出的模型优于最先进的基线。
2021-05-20 cs.LG
Deep Kernel Learning of Dynamical Models from High-Dimensional Noisy Data
University of Twente（特文特大学）
本文提出随机变分深度核学习方法，从高维噪声数据中无监督地发现低维动态模型，通过编码器与潜在动态模型实现去噪、状态表示及不确定性量化。
2022-11-25 cs.LG stat.ML
Causal Inference Despite Limited Global Confounding via Mixture Models
California Institute of Technology（加州理工学院）；Hebrew University in Jerusalem（耶路撒冷希伯来大学）
本文研究有限全局混杂下贝叶斯网络混合模型的因果推断问题，通过将非空DAG混合学习归约为空图乘积情形，首次提出可学习非空DAG混合的算法，使传统不可识别的因果关系变得可识别。
2023-05-31 cs.DS cs.LG eess.SP
Robust Learning on Noisy Graphs via Latent Space Constraints with External Knowledge
针对图神经网络在噪声边上的脆弱性，提出LSC-GNN，利用外部干净链接约束潜在空间，避免过拟合虚假边，在基准和异构图实验中优于现有方法。
2025-07-07 cs.AI cs.LG
Mitigating Shortcut Learning via Feature Disentanglement in Medical Imaging: A Benchmark Study
Hertie Institute for AI in Brain Health, Faculty of Medicine, University of Tübingen, Germany（德国图宾根大学医学系希特研究所，人工智能在脑健康中的应用）
本文通过特征解耦方法缓解医学影像中的捷径学习，评估了对抗学习和潜在空间分割等方法，发现结合数据与模型中心的解耦策略能更有效抑制捷径学习，同时保持计算效率。
2026-04-14 cs.CV cs.LG
Doubly Robust Inference in Causal Latent Factor Models
Columbia University（哥伦比亚大学）；Cornell Tech（康奈尔科技学院）
针对数据丰富场景下未观测混杂的平均处理效应估计问题，提出结合结果插补、逆概率加权与新型矩阵补全交叉拟合的双稳健估计量，证明其参数速率收敛的统计性质并通过仿真验证有效性。
2024-10-29 cs.LG econ.EM stat.ME
Bayesian network structure learning with causal effects in the presence of latent variables
Queen Mary University of London（伦敦玛丽女王大学）
潜在变量可能导致虚假的关系，可能被误解为因果关系。在贝叶斯网络（BN）中，这种挑战被称为因果不足下的学习。假设因果关系不充分的结构学习算法倾向于重建BN的祖先图，其中双向边表示混淆，有向边表示直接或祖先关系。本文描述了一种混合结构的学习算法，称为CCHM，它结合了基于约束的部分的cFCI和爬山得分为基础的学习。基于分数的过程结合了Pearl的do-calculus来测量因果效应并定位否则将保持无向的边缘，假设BN是线性结构方程模型，其中数据遵循多元高斯分布。基于随机网络和已知网络的实验表明，CCHM在重建真正的祖先图方面提高了最先进的水平。
2020-08-18 cs.AI cs.LG stat.ML
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
Fudan University（复旦大学）；Embodiq Robotics Co., Ltd.；Beijing Institute of Technology（北京理工大学）；East China Normal University（华东师范大学）
本文提出CausalVAD框架，通过因果干预解决端到端自动驾驶中统计相关性与真实因果关系的矛盾，提升规划精度与安全性。
2026-04-10 cs.CV cs.LG
Learning Exponential Family Graphical Models with Latent Variables using Regularized Conditional Likelihood
ETH Zürich（苏黎世联邦理工学院）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；Caltech（加州理工学院）
如果观测变量受潜在变量的影响，那么将图形模型拟合到给定样本观测的随机变量的集合是一项具有挑战性的任务，潜在变量可能会在观测变量之间引起显著的混淆统计依赖性。提出了一种新的基于正则化条件似然的凸松弛隐变量图模型框架，其中隐变量上观测变量的条件分布由指数族图模型给出.与以前提出的通过表征观测变量的边缘分布进行的易处理的方法相比，我们的方法适用于更广泛的设置，因为它不需要关于潜变量的特定形式的分布的知识，并且可以专门用于产生易处理的方法来解决观测数据没有很好地建模为高斯的问题。我们证明了我们的框架的实用性和灵活性，通过一系列的数值实验合成以及真实的数据。
2020-10-19 cs.LG math.OC stat.ME
FMNet: Latent Feature-wise Mapping Network for Cleaning up Noisy Micro-Doppler Spectrogram
University College London（伦敦大学学院）
微多普勒信号包含了大量的目标动态信息。然而，雷达感测系统容易受到噪声环境的影响，导致微多普勒频谱图上的不可解释的运动模式。同时，雷达回波信号往往受到多径、杂波和干扰的影响。这些问题导致的困难，例如运动特征提取，活动分类使用微多普勒签名（$μ$-DS）等，在本文中，我们提出了一个潜在的功能明智的映射策略，称为特征映射网络（FMNet），变换测得的频谱图，使它们更接近模拟在相同条件下的输出。该框架基于实测谱图和匹配的模拟数据，包含三个部分：编码器，用于提取潜在表征/特征;解码器，根据潜在特征输出重构谱图;判别器，用于最小化实测数据和模拟数据的潜在特征距离。我们使用六个活动数据和两个实验场景对FMNet进行了演示，最终结果显示出强烈的增强模式，并且可以最大程度地保留实际的运动信息。另一方面，我们还提出了一个新的想法，即只使用模拟数据训练分类器，并在使用FMNet清理后预测新的测量样本。从最终的分类结果中，我们可以看到显著的改进。
2021-07-09 cs.LG eess.SP
Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文利用高阶累积量解决lvLiNGAM中潜变量混杂下的因果效应识别问题，证明单一代理变量或欠指定工具变量条件下因果效应可识别，并提出相应估计方法。
2025-06-06 cs.LG stat.ME stat.ML
A probabilistic latent variable model for detecting structure in binary data
University of California Berkeley（加州大学伯克利分校）；Duke University School of Medicine（杜克大学医学院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）；Harvard Medical School（哈佛医学院）；Intel Labs（英特尔实验室）
我们引入了一种新的概率二进制潜变量模型来检测稀疏二进制数据中的模式的噪声或近似重复。该模型是基于“噪音或模型”（Heckerman，1990年），以前用于疾病和主题建模。该模型的能力是通过从视网膜神经元记录中提取结构来证明的，但它可以广泛应用于发现和建模噪声二进制数据中的潜在结构。在尖峰神经数据的上下文中，任务是根据神经元组（“细胞集合体”（CA））“解释”单个神经元的尖峰，由于相互作用或其他原因，这些神经元组经常一起激发。该模型在一组二进制潜在变量中推断稀疏活动，每个潜在变量描述细胞组装的活动。当细胞集合的潜变量是活跃的时，它降低了属于该集合的神经元不活跃的概率。潜在成分的条件概率核是从期望最大化方案中的数据中学习的，涉及对潜在状态的推断和对模型的参数调整。我们彻底验证了模型的合成尖峰列车构建统计学上类似记录的视网膜反应的白噪声刺激和自然电影刺激的数据。我们还将我们的模型应用于视网膜神经节细胞（RGC）在电影刺激过程中记录的尖峰响应，并讨论了发现的结构。
2022-01-26 cs.LG q-bio.NC stat.ML
Observable Neural ODEs for Identifiable Causal Forecasting in Continuous Time
Department of Computer Science（计算机科学系）
本文提出可观测的神经ODEs模型，通过连续时间调整公式实现因果可识别，利用观测数据预测不同治疗路径的结果，实验显示在合成癌症数据、半合成数据和真实脓毒症数据上表现优异。
2026-10-07 cs.LG math.OC math.ST
Latent Manifold Reconstruction and Representation with Topological and Geometrical Regularization
Southern University of Science and Technology（南方科技大学）；Shenzhen University of Advanced Technology（深圳先进技术大学）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究所，中国科学院）
本文提出一种基于AutoEncoder的方法，通过流形重建层与拓扑几何正则化相结合，从噪声数据中发现并保持潜在流形结构，实验表明其优于t-SNE、UMAP和Topological AutoEncoders。
2025-05-07 cs.LG
