Bayesian Sensitivity of Causal Inference Estimators under Evidence-Based Priors
University of Toronto(多伦多大学);Vector Institute(向量研究所);University of Waterloo(滑铁卢大学)
本文提出贝叶斯敏感性值(BSV)框架,用于评估因果推断估计在假设违反下的稳健性,通过实证研究展示其在糖尿病治疗与体重损失关系中的应用。
2026-05-08 cs.LG stat.ME
Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs
Cornell Tech(康奈尔理工学院);Weill Cornell Medicine(威尔康奈尔医学院);Carnegie Mellon University(卡内基梅隆大学)
针对非参数全局因果发现的指数级复杂度难题,提出局部因果发现方法LDP,通过划分变量集在多项式时间内为暴露-结果对寻找有效调整集,实现更高效、偏差更小的因果效应估计。
2024-06-01 cs.LG stat.ME stat.ML
Strong Faithfulness and Uniform Consistency in Causal Inference
Carnegie Mellon University(卡内基梅隆大学);Institute for Human & Machine Cognition(人类与机器认知研究所);University of West Florida(西佛罗里达大学)
因果推理中的一个基本问题是是否有可能从观测数据中可靠地推断出操纵效应。在统计学文献中,渐近可靠性有多种含义,其中最常讨论的频率论概念是逐点一致性和一致一致性。一致一致性一般优于逐点一致性,因为前者允许我们用有限的样本量控制最坏情况的误差界。在逐点一致性的意义上,在马尔可夫和忠诚假设下已经建立了几个可靠的因果推理算法[Pearl 2000,Spirtes et al. 2001]。然而,在一致一致性的意义上,当时间顺序未知和/或存在潜在混杂因素时,在这两个假设下不可能进行可靠的因果推断[Robins et al. 2000]。在本文中,我们提出了两个自然的推广的忠实性假设的背景下,结构方程模型,在此情况下,我们表明,在文献中的典型算法(在某些情况下修改)是一致一致的,即使时间顺序是未知的。我们还讨论了潜在的混杂因素可能存在的情况下,在这个意义上的忠实性假设是一个较强的假设的限制情况。
2012-10-19 cs.AI stat.ME
On Learning Necessary and Sufficient Causal Graphs
University of California, Irvine(加州大学尔湾分校);University of Michigan(密歇根大学);University of California, Berkeley(加州大学伯克利分校);North Carolina State University(北卡罗来纳州立大学)
本文提出必要且充分因果图(NSCG)及NSCSL算法,利用因果概率筛选与目标结果真正相关的因果特征,避免完整因果图中的虚假变量,并在模拟和真实数据上验证其优于现有方法。
2023-11-01 cs.AI cs.LG stat.AP
Semiparametric Causal Sufficient Dimension Reduction Of Multidimensional Treatments
因果关系通常通过将结果反应与二元治疗值进行比较来评价,二元治疗值代表假设的随机对照试验的两个组。然而,在某些应用中,感兴趣的治疗是连续的和多维的。例如,理解由辐射暴露值的多维向量总结的辐射治疗的严重性与治疗后副作用之间的因果关系是放射肿瘤学中的临床感兴趣的问题。做出可解释的因果结论的适当策略是减少治疗维度。如果多维治疗向量的单个元素对结果的影响很弱,但治疗和结果之间的整体关系很强,则不小心的降维方法可能无法保持这种关系。此外,为回归问题开发的方法由于混杂的复杂性而不直接转移到因果推断。在本文中,我们使用半参数推理理论的结构模型,给出了一个一般的方法,因果充分的降维的多维治疗,使治疗和结果之间的因果关系是保留。我们说明了我们的建议,通过模拟和实际数据应用在放射肿瘤学的效用。
2022-06-13 stat.ME
Matching Using Sufficient Dimension Reduction for Causal Inference
为了估计偶然的处理效应,我们提出了一种新的匹配方法的基础上减少协变量从充分的降维。与文献中常用于匹配的原始协变量和倾向得分相比,在对原始协变量的温和假设下,减少的协变量可进行非参数估计,并且在插补缺失的潜在结局方面充分有效。在相容性假设下,所提出的方法的一致性需要一个较弱的公共支持条件。此外,允许研究人员使用不同的简化协变量来为不同的治疗组找到匹配的受试者。我们开发了相对的渐近结果,并进行模拟研究以及真实数据分析,以说明所提出的方法的实用性。
2017-02-01 stat.ME
Bounds on Causal Effects and Application to High Dimensional Data
University of California, Los Angeles(加州大学洛杉矶分校)
本文讨论了当后门或前门准则中的调整变量被部分观测时因果效应的估计问题。对于这样的情况下,我们通过解决两个非线性优化问题的因果效应的界限,并证明该界限是足够的。使用这种优化方法,我们提出了一个框架降维,允许一个贸易偏见的估计功率,并证明其性能使用模拟研究。
2021-06-23 cs.AI stat.ME
Causal Sufficient Dimension Reduction for Multiple Continuous Exposures with an Application to Environmental Mixtures
Emory University(埃默里大学)
提出因果充分降维(CSDR)框架,通过低维暴露摘要表征因果暴露-反应曲面,并设计两阶段估计器,在环境混合物研究中验证其有效性。
2026-06-16 stat.ME
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge(剑桥大学)
本文表明,概率建模足以回答因果推断问题,无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
Functional structural equation models with out-of-sample guarantees
本文针对函数结构方程模型提出一种最坏风险最小化框架,通过最坏风险分解定理实现样本外泛化保证,并在函数系统上验证了其缓解分布偏移的有效性。
2025-03-25 math.ST stat.ME stat.TH
Truncation by death in the sufficient cause framework
University of Surrey(萨里大学);Okayama University of Science(冈山理科大学);Okayama University(冈山大学)
本文基于充分原因框架,探讨了死亡导致的截断问题,解释了粗略估计量的非因果性质,并提供了生存平均因果效应的表达式及 null 条件。
2026-04-07 stat.ME
Surrogate Outcomes and Transportability
University of Jyvaskyla(于韦斯屈莱大学)
因果效应的识别是因果推理最基本的任务之一。我们考虑一个可识别性问题,其中一些实验和观测数据是可用的,但没有数据本身是足够的识别感兴趣的因果效应。代替感兴趣的结果,在实验中测量替代结果。这个问题是一个推广的可识别性使用替代实验,我们称之为替代结果可识别性。我们表明,可移植性的概念提供了一个足够的标准,确定代理结果可识别的一大类查询。
2019-03-12 cs.AI stat.ME
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University(爱荷华州立大学)
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则,并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Causal inference under over-simplified longitudinal causal models
流行病学中的许多因果模型涉及纵向暴露、混杂因素和介质。然而,重复测量并不总是可用或在实践中使用,导致分析师忽视了暴露的时变性质,并在过于简化的因果模型下工作。我们的目标是评估是否-以及如何-在这种错误指定的因果模型下确定的因果效应与真正的因果效应相关。我们得到充分的条件,确保在实践中估计的数量在过于简化的因果模型可以表示为加权平均的纵向因果效应的利益。毫不奇怪,这些充分条件是非常严格的,我们的结果表明,在实践中估计的数量一般应谨慎解释,因为它们通常不涉及任何纵向因果效应的利益。我们的模拟进一步说明,在实践中估计的数量和感兴趣的纵向因果效应的加权平均值之间的偏差可能是巨大的。总体而言,我们的结果证实,需要重复测量,以进行适当的分析和/或敏感性分析的发展,当他们不可用。
2023-02-18 stat.ME
Causal Layering via Conditional Entropy
Salesforce AI Research(赛富时人工智能研究院)
本文针对离散分布的因果发现问题,提出利用条件熵预言机反复识别并移除源点或汇点以恢复因果分层,并在忠实性与噪声单射等假设下证明算法正确且最坏情况为二次时间。
2024-01-19 cs.AI cs.LG stat.ME
Fast Proxy Experiment Design for Causal Effect Identification
EPFL(洛桑联邦理工学院);TUM(慕尼黑工业大学)
本文针对代理实验的最小成本因果效应识别设计问题,提出多种重新表述以构造更高效算法,并研究基于有效调整集的实验设计。
2024-07-07 cs.AI cs.LG stat.ME
Homogeneity in the instrument-treatment association is not sufficient for the Wald estimand to equal the average causal effect for a binary instrument and a continuous exposure
工作背景:解释工具变量的结果往往需要进一步的假设,除了相关性,独立性和排除限制的核心假设。研究方法:我们评估是否工具暴露添加剂的同质性,使沃尔德估计等于平均衍生效应(ADE)的情况下,一个二元工具和连续曝光。结果如下:当仪器为二进制、暴露为连续且暴露对结果的影响在加性标度上为非线性时,仪器暴露加性同质性不足以识别ADE。对于二元暴露,确定性-结果效应必然是加性线性的,因此齐性条件是充分的。结论:对于二元仪器,如果暴露也是二元的,则仪器暴露加性均匀性识别ADE。否则,需要额外的假设(如确定性-结果效应的加性线性)。
2022-04-18 stat.ME
SDRcausal: an R package for causal inference based on sufficient dimension reduction
SDRcausal是一个软件包,它为因果推断实现了足够的降维方法,如Ghosh,Ma和de Luna(2021)所提出的。该软件包实现了平均处理效应(ATE)参数的(增强的)逆概率加权和结果回归(插补)估计。营养模型,治疗分配概率给定协变量(倾向得分)和结果回归模型,通过使用半参数局部有效降维估计量进行拟合,从而允许大的混杂协变量集。技术,包括线性外推,数值微分,截断已被用来获得一个切实可行的实施的方法。寻找合适的降维映射(中心平均子空间)需要解决一个优化问题,并给出了几种优化算法供用户选择。该软件包还提供了因果效应估计量的渐近方差估计量。提供了打印选项。方法的核心是用C语言实现的,并允许并行化。界面采用友好的免费R语言。这个包可以从Github仓库下载:https://github.com/stat4reg。
2021-05-06 stat.CO stat.ME
Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
Purdue University(普渡大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对含未观测混杂因子的高维因果图中干预分布采样难的问题,提出基于条件生成模型前推计算的采样算法,在多数据集上验证了其有效性与应用价值。
2024-10-31 cs.AI cs.LG stat.ME
Sufficient Dimension Reduction for Feasible and Robust Estimation of Average Causal Effect
在观察性研究中估计处理效应时,我们使用半参数局部有效降维方法评估治疗分配机制和治疗组和非治疗组的平均缓解。然后,我们整合所有的结果,通过填补,逆概率加权和双重鲁棒增强估计。当响应模型正确时,双稳健估计是局部有效的,而插补估计是超有效的。为了利用这两个过程,我们引入了一个收缩估计自动结合两者,它保留了双重鲁棒性,同时提高响应模型正确时的方差。我们通过模拟实验和一个真实的数据集,母亲吸烟对婴儿出生体重的影响,证明了这些估计的性能。关键词和短语:平均处理效应,双重稳健估计,效率,逆概率加权,收缩估计。
2018-11-05 stat.ME
A Sensitivity Approach to Causal Inference Under Limited Overlap
Columbia University(哥伦比亚大学)
本文提出一种敏感性框架,用于在有限重叠情况下评估因果推断结果的稳健性,通过分析结果函数的不规则性来量化偏差,并通过实验证明该方法能防止虚假发现。
2026-04-18 cs.LG stat.ME stat.ML
Generalized propensity score approach to causal inference with spatial interference
许多空间现象表现出治疗干扰,其中一个位置的治疗可能会影响其他位置的反应。由于干扰违反了稳定单位治疗值假设,因此因果推断的标准方法不适用。我们提出了一个新的因果框架,以恢复直接和溢出效应的空间干扰的存在下,考虑到治疗在附近的位置比治疗更有影响力的位置进一步分开。在没有未测量的混杂假设下,我们证明了广义倾向得分足以消除所有测量的混杂。为了减少维数问题,我们提出了一个贝叶斯样条为基础的回归模型占一个足够的变量集的广义倾向得分。仿真研究证明了准确性和覆盖性能。我们应用该方法来估计2005- 2018年美国西部野火对空气污染的因果影响。
2020-06-30 stat.ME
Causal Effect Identification in Acyclic Directed Mixed Graphs and Gated Models
Linköping University(林雪平大学)
我们引入了一个新的图形模型,包括可能有向,无向和双向边,但没有定向循环的图形。我们表明,这些模型是适合于表示因果模型的附加误差项。我们提供了一组充分的图形标准识别任意因果效应时,新的模型包含有向和无向的边缘,但没有双向边缘。我们还提供了一个必要的和充分的图形标准的因果关系的影响,一个单一的变量上的其他变量的识别。此外,我们开发了一种精确的算法,通过答案集编程从观察和干预数据中学习新模型。最后,我们介绍了门控模型的因果效应识别,一个新的家庭的图形模型,利用上下文特定的独立性,以确定额外的因果效应。
2017-05-28 cs.AI stat.ML
Simultaneous causal inference for multiple treatments via sufficiency
来自种群的一些单元接受与其他水库种群不同的相同处理。治疗前$x$ -协变量在人群中的分布的最小充分统计量$s$是粗平衡评分。$s$用于选择匹配单位,以同时进行多种治疗的因果比较。治疗变量(给定$x$)后验分布充要条件确定了统计量对于x协变量的分布是否充分或最小充分。文献中的结果,从而推广。还建立了给定$s(x)$的治疗分配的强可验证性。因此,$s(x)$给出的预期治疗差异对于所有治疗差异的平均因果效应同时无偏。现有的统计理论$s$和它的估计支持它们在因果推理中的使用。
2014-08-04 math.ST stat.TH
Two Optimal Strategies for Active Learning of Causal Models from Interventional Data
仅从观测数据来看,因果DAG仅在马尔可夫等价性下才可识别。干预数据通常提高可识别性;然而,干预的收益在很大程度上取决于干预目标,即干预变量。我们提出了主动学习(即最佳试验设计)策略计算两个不同的学习目标的最佳干预措施。第一个是一个贪婪的方法,使用单顶点干预,最大限度地提高了数量的边缘,可以定向后,每个干预。第二个在多项式时间内产生一个最小的任意大小的目标,保证完全可识别性。第二种方法证明了Eberhardt(2008)的一个猜想,表明无界干预目标的数量是足够的,并且在最坏的情况下是完全可识别性所必需的。在模拟研究中,我们比较了我们的两种主动学习方法,随机干预和现有的方法,并分析了主动学习的整体性能的估计误差的影响。
2013-08-29 cs.DM stat.ME
Towards Robust Causal Effect Identification Beyond Markov Equivalence
本文针对因果图难以完全确定的情况,提出从候选马尔可夫等价类集合中识别因果效应的充分条件,以增强鲁棒性。
2025-06-18 stat.ME
Adapting Text Embeddings for Causal Inference
Columbia University(哥伦比亚大学)
在论文中增加一个定理会影响它被接受的机会吗?用作者的性别标记帖子会影响帖子的受欢迎程度吗?本文开发了一种方法来估计这样的因果关系的观察文本数据,调整的文本,如主题或写作质量的混淆功能。我们假设,文本足以进行因果调整,但在实践中,它是令人望而却步的高维。为了解决这一挑战,我们开发了因果充分的嵌入,低维的文档表示,保留足够的信息,因果识别,并允许有效的估计因果关系的影响。因果充分嵌入结合了两个概念。第一种是监督降维:因果调整只需要预测治疗和结果的文本方面。第二个是有效的语言建模:文本的表示被设计为处理语言上不相关的信息,并且这些信息也是因果上不相关的。我们的方法适应语言模型(特别是词嵌入和主题模型)来学习能够预测治疗和结果的文档嵌入。我们研究了因果充分嵌入与半合成数据集,并发现它们改善了相关嵌入方法的因果估计。我们通过回答两个激励问题来说明方法--定理对论文接受度的影响和性别标签对帖子流行度的影响。代码和数据可在https://github.com/vveitch/cause-text-embeddings-tf2}{github.com/vveitch/cause-text-embeddings-tf2
2020-07-25 cs.CL cs.LG stat.ML
Identification of Average Causal Effects in Confounded Additive Noise Models
针对存在未观测高斯混杂因子的加性噪声模型,提出估计任意处理子集平均因果效应的方法与随机化算法,仅需多对数级别干预即可高概率识别因果效应与结构,有限样本与半合成数据验证了其有效性。
2024-07-13 stat.ME stat.ML
Causal clustering: design of cluster experiments under network interference
Harvard University(哈佛大学);Stanford University(斯坦福大学);Meta
研究网络干扰下估计全局处理效应的聚类实验设计,提出通过惩罚最小割优化选择聚类以最小化最坏情况均方误差,并给出选择聚类设计的简单条件。
2026-06-11 econ.EM math.ST stat.ME
A Latent Factor Panel Approach to Spatiotemporal Causal Inference
University of California, Santa Barbara(加州大学圣塔芭芭拉分校)
本文提出一种基于潜在因子模型的方法,用于处理时空观测数据中的未测量混杂因素,通过面板数据模型和多变量因果推断方法,减少遗漏变量偏差。
2026-04-28 stat.ME
Partial Structure Discovery is Sufficient for No-regret Learning in Causal Bandits
Purdue University(普渡大学);School of Electrical Computer Engineering(电气与计算机工程学院)
针对因果图未知且含潜在混淆变量的因果老虎机问题,本文刻画了必要且充分的潜在混淆变量,提出两阶段算法,先学习祖先子图构建最优臂集,再用UCB算法,实现次线性遗憾。
2024-11-06 cs.LG stat.ML
Causal Inference (C-inf) -- asymmetric scenario of typical phase transitions
Columbia University(哥伦比亚大学)
在本文中,我们重新审视并进一步探讨了因果推断(C-inf)和低秩恢复(LRR)之间的数学严格联系。利用随机二元性-自由概率论(RDT-FPT)的联系,我们获得了精确显式的典型C-inf非对称相变(PT)。我们发现了一个加倍的低秩现象,这意味着与[10]中考虑的对称最坏情况相比,在非对称场景中允许的低秩正好是其两倍。因此,最终PT数学表达式与[10]中获得的数学表达式一样简洁,并突出了目标C-inf矩阵低秩与治疗时间之间的直接关系。我们的结果有很强的应用,其中C-inf矩阵不一定是对称的。
2023-01-02 cs.LG stat.ML
Data-driven Algorithms for Dimension Reduction in Causal Inference
在观察性研究中,治疗的因果效应可能与治疗和关注结局相关的变量混淆。为了确定因果效应,这些研究通常依赖于不混淆假设,即,观察到所有的混杂变量。要控制的协变量的选择(主要基于主题知识)可能会导致较大的协变量向量,以确保保持不混淆。然而,包括冗余协变量可能会影响非参数因果效应估计量的偏倚和效率,例如,因为维度灾难数据驱动的算法选择足够的协变量子集进行了研究。在不混淆的假设下,算法搜索协变量向量的最小子集。例如,在充分的降维或核平滑的框架上,该算法执行评估每个协变量的显著性的向后消除过程。他们的表现进行了评估,在模拟和应用程序中使用的数据,从瑞典儿童糖尿病登记册。
2016-08-31 stat.ME
Semiparametric Efficient Inference for the Probability of Necessary and Sufficient Causation
针对因果归因中必要因果概率(PN)和充分因果概率(PS)缺乏有效估计方法的问题,本文在两组可识别性假设下推导了二者的有效影响函数与半参数效率界,提出有效估计量并验证其优越性,还将其用于中风风险因素评估。
2024-07-14 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
An Automated Approach to Causal Inference in Discrete Settings
University of Pennsylvania(宾夕法尼亚大学);Johns Hopkins University(约翰斯·霍普金斯大学);Princeton University(普林斯顿大学)
当因果量不能被点识别时,研究人员经常追求部分识别来量化可能值的范围。然而,应用研究条件的特殊性可能使这在分析上变得棘手。我们提出了一个通用的和自动化的方法,因果推断在离散设置。我们显示因果问题与离散数据减少到多项式规划问题,我们提出了一个算法,自动绑定因果效应,使用高效的双松弛和空间分支定界技术。用户声明一个被估量,陈述假设,并提供数据(尽管不完整或错误测量)。然后,该算法搜索可接受的数据生成过程,并输出与可用信息一致的最精确的可能范围,即,尖锐的边界--如果存在的话,包括一个点标识的解决方案。由于这种搜索可能是计算密集型的,因此我们的程序报告并不断改进非尖锐范围,这些范围保证始终包含真相,即使算法没有运行完成。此外,它提供了一个额外的保证,我们称之为$ε$ -锐度,表征不完整边界的最坏情况松散。分析验证的模拟表明,该算法适应经典的障碍,包括混杂,选择,测量误差,不符合,和无响应。
2021-09-28 cs.LG stat.CO stat.ME
Average causal effect estimation via instrumental variables: the no simultaneous heterogeneity assumption
背景:工具变量(IV)可用于提供证据,证明治疗X是否对结果Y具有因果效应。即使工具Z满足相关性、独立性和排除限制的三个核心IV假设,还需要进一步的假设来确定X对Y的平均因果效应(ACE)。这方面的充分假设包括:X对Y的因果效应的同质性; Z与X的关联的同质性;以及无效应修正(NEM)。研究方法:我们描述了不同时异质性(NOSH)假设,该假设要求X-Y因果效应的异质性与均值无关(即,与Z和Z-X关联中的异质性均不相关。例如,如果X-Y效应和Z-X关联没有共同的修改器,并且X-Y效应是加性线性的,则会发生这种情况。我们说明NOSH使用模拟和重新审查选定的已发表的研究。结果如下:当NOSH举行,沃尔德估计等于ACE,即使两个同质性假设和NEM(我们证明是特殊情况下,因此比- NOSH)被违反。结论:NOSH足以鉴别静脉注射ACE。由于NOSH比ACE识别的现有假设弱,因此这样做可能比以前预期的更合理。
2022-11-11 stat.ME
Text Rationalization for Robust Causal Effect Estimation
Department of Statistics, University of California, Irvine(加州大学 Irvine 分校统计学系)
CATR通过选择必要的令牌子集来缓解观测层面的正则性违反,提高因果效应估计的准确性与稳定性。
2025-12-05 cs.AI cs.CL cs.LG
Causal Learning with the Invariance Principle
Institute of Science and Technology Austria(奥地利科学与技术研究所)
本文提出通过两个辅助环境推断因果图,证明非线性机制的因果可识别性,并通过合成数据验证理论结果。
2026-05-13 cs.LG stat.ML
Interventional Experiment Design for Causal Structure Learning
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Sharif University of Technology(谢里夫理工大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
众所周知,从纯观测数据来看,因果DAG仅可识别到其马尔可夫等价类,并且对于许多地面实况DAG,大部分边缘的方向将保持未识别。学习超越马尔可夫等价的因果DAG的黄金标准是在系统中执行一系列干预,并使用从干预分布收集的数据。我们考虑一个设置,其中给定的预算$k$,我们设计$k$干预非自适应。我们铸造的问题,找到最佳的干预目标集作为一个优化问题,其目的是最大限度地提高边缘的数量,其方向是由于执行的干预措施。首先,我们考虑的情况下,潜在的因果结构是一棵树。对于这种情况下,我们提出了一个有效的精确算法的最坏情况下的增益设置,以及平均增益设置的近似算法。然后,我们表明,所提出的平均增益设置的方法可以扩展到一般因果结构的情况下。在这种情况下,除了干预措施的设计外,计算目标函数也具有挑战性。我们提出了一个有效的精确计算器,以及两个估计这个任务。我们评估所提出的方法使用合成以及真实的数据。
2019-10-12 cs.AI cs.LG stat.ML
Counterfactual (Non-)identifiability of Learned Structural Causal Models
Massachusetts Institute of Technology(麻省理工学院);Microsoft Research(微软研究院)
概率生成建模的最新进展促使使用深度条件生成模型(也称为深度结构因果模型(DSCM))从观测数据集学习结构因果模型(SCM)。如果成功,DSCM可以用于因果估计任务,例如,回答反事实的问题在这项工作中,我们警告从业者,即使在没有未观察到的混淆和假设已知的因果结构的情况下,从观察数据中得出的反事实推断也是不可识别的。我们证明了具有一维外生变量的单调生成机制的反事实可识别性。对于一般的生成机制与多维外生变量,我们提供了一个不可能的结果,反事实的可识别性,激励参数假设的需要。作为一种实用的方法,我们提出了一种方法来估计学习DSCM的反事实预测的最坏情况下的错误。这个错误的大小可以是决定DSCM是否是在特定问题设置中进行反事实推理的可行方法的基本度量。在评估中,我们的方法确认可以忽略不计的反事实错误的可识别的SCM从以前的工作,也提供了翔实的错误界限上的反事实错误的不可识别的合成SCM。
2023-01-22 cs.LG stat.ML
Adversarial Causal Intervention Falsification
University of Calgary(卡尔加里大学)
本文针对生成模型可能编码错误因果结构的问题,提出对抗性因果干预证伪(ACIF)博弈,证明其理论性质并给出线性高斯示例,搭建了因果生成建模等领域的桥梁。
2026-08-10 cs.GT cs.LG econ.EM
Coarsening Linear Non-Gaussian Causal Models with Cycles
Department of Technology, Management and Economics, Technical University of Denmark(技术、管理与经济系,丹麦技术大学);Department of Mathematical Sciences, University of Copenhagen(数学科学系,哥本哈根大学)
本文提出在线性非高斯模型中放松高维无环性假设,通过低维因果DAG恢复因果结构,并证明其在观测等价类中的代表性。
2026-11-10 cs.AI cs.LG stat.ML
Adaptive Online Experimental Design for Causal Discovery
Purdue University(普渡大学);University of Michigan(密歇根大学)
针对现有因果发现方法依赖无限干预数据的问题,本文从在线学习视角提出基于分配匹配的自适应追踪-停止因果发现算法,在仿真中以更少样本实现更高准确率。
2024-06-22 cs.LG stat.AP
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应,但在实际应用中,由于中介变量不能随机分配,直接和间接因果效应难以识别。在这篇文章中,我们考虑一个因果模型,包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件,确定直接和间接的影响,并提出了一种方法来估计它们。所提出的方法的性能进行了评估,通过仿真研究。最后,我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP stat.ME
Data-Poisoning Audits for Causal Effect Estimation
Department of Statistics, Korea University, Seoul, Republic of Korea(统计系,韩国大学,首尔,大韩民国)
研究观察性因果分析中数据中毒问题,提出针对增强逆概率加权估计的数据中毒审计方法,通过指定相关参数、进行贪婪扫描等操作,推导总影响分数和有限预算界限,经模拟验证可支持可靠因果报告及源级保障设计。
2026-07-23 cs.LG stat.ME stat.ML
Kernel-Based Functional Balancing for Causal Inference with Compositional Treatments
University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对成分处理(暴露位于单纯形)的因果效应估计,提出基于核的协变量函数平衡加权法,通过最小化再生核希尔伯特空间中的最坏情况平衡误差构造权重,并构建增强加权估计量,实现√n一致性。
2026-06-19 stat.ME stat.ML
Causal Gradient Boosting: Boosted Instrumental Variable Regression
文献中的最新进展表明,标准的监督学习算法是不适合的问题与内生解释变量。为了校正内参数偏差,已经开发了许多非参数工具变量回归方法的变体。在本文中,我们提出了一种替代算法称为boostIV,建立在传统的梯度增强算法,并纠正了内循环的偏见。该算法非常直观,类似于标准2SLS估计量的迭代版本。此外,我们的方法是数据驱动的,这意味着研究人员不必对目标函数近似的形式或工具的选择做出立场。我们证明了我们的估计是一致的温和的条件下。我们进行了广泛的蒙特卡罗模拟,以证明我们的算法相比,其他最近开发的方法的有限样本性能。我们表明,boostIV是在最坏的水平与现有的方法,平均显着优于他们。
2021-01-15 econ.EM stat.ML
PAC-Causal Learnability: From Identification to Finite-Sample Guarantees
Duke University(杜克大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出PACC因果发现框架,将PAC学习原则扩展至因果推断,在有限数据与时间约束下为倾向评分、工具变量及SCCS等方法提供计算、样本效率与理论保证。
2026-10-16 cs.LG stat.ML
Causal Additive Models with Unobserved Causal Paths and Backdoor Paths
Shiga University(Shiga大学);RIKEN(理化学研究所);AIP(应用物理研究所);Gakushuin University(早稻田大学);The University of Osaka(大阪大学)
本文提出在存在未观测变量时,通过回归残差独立性和条件独立性新特征,识别因果方向的条件,并设计了一个完备的搜索算法。
2026-05-22 cs.LG stat.ME stat.ML
Causal and anti-causal learning in pattern recognition for neuroimaging
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Bernstein Center Freiburg, University of Freiburg(弗赖堡大学伯恩斯坦弗莱堡中心)
神经成像中的模式识别区分了两种类型的模型:编码模型和解码模型。这种区别是基于这样的认识,即在实验范式中被发现相关的大脑状态特征在编码模型中具有不同的意义,而不是在解码模型中。在本文中,我们认为这种区分是不够的:编码和解码模型中的相关特征具有不同的含义,这取决于它们是否代表因果关系或反因果关系。我们提供了一个理论上的理由,这一论点,并得出结论,因果推断是必不可少的解释在神经影像学。
2015-12-15 cs.LG q-bio.NC stat.ME
Adjustment Criteria for Recovering Causal Effects from Missing Data
Iowa State University(爱荷华州立大学)
混淆偏差、缺失数据和选择偏差是数据科学中有效因果推理的三个常见障碍。协变量调整是从混杂偏倚中恢复因果效应的最普遍的技术。在本文中,我们引入了一个协变量调整公式,用于控制混杂偏倚的缺失非随机数据的存在,并开发了一个必要和充分条件,恢复因果效应使用调整。我们还介绍了一个调整配方控制混杂和选择偏差的缺失数据的存在,并制定了有效的调整的充分必要条件。此外,我们提出了一个算法,列出所有有效的调整集和算法,找到一个有效的调整集包含最小数量的变量,这是有用的研究人员有兴趣选择调整集所需的属性。
2019-09-15 cs.LG stat.ML
Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
Princeton University(普林斯顿大学);Peking University(北京大学);Rutgers University(罗格斯大学)
本文证明异质环境下不变因果预测的判定问题是NP-hard的,导致计算高效算法的估计误差率任意缓慢;并在附加条件下提出一种兼具计算与统计高效性的分布鲁棒估计方法。
2025-01-29 cs.LG math.ST stat.ME
Subset verification and search algorithms for causal DAGs
National University of Singapore(新加坡国立大学);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学博德研究所)
本文研究识别学习目标边因果关系所需最小干预集的问题,提出子集验证的高效算法并扩展至复杂干预设定,同时证明子集搜索问题在最坏情况下的近似比下界及干预因果图的结构性质。
2024-02-13 cs.DS cs.LG stat.ML