Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data
Tricon Infotech(特里康信息科技公司)
该研究提出MCES框架,通过汇集8种数学传统的11种因果方法的收敛证据得分,对观测数据中候选驱动因素与结果的相关性排名,为无单一最优方法的场景提供方法无关的默认方案。
2026-08-21 cs.AI stat.ME
On the Use of Generative Models in Observational Causal Analysis
IBM Almaden Research Center(IBM阿尔马登研究中心)
本文指出假设性生成模型仅刻画单一可观测分布,虽可用于条件预测,却不能支撑观测数据中的因果推断或干预效应链分析。
2023-06-07 cs.AI
Hybrid Causal Identification and Causal Mechanism Clustering
Key with Institute of Big Data Science and Industry, Shanxi University(大数据科学与产业研究院,山西大学);School of Information, Shanxi University of Finance and Economics(信息学院,山西财经大学)
针对现实观测数据中因果关系异质性、现有加性噪声因果方法仅用单一机制的问题,提出MCVCI模型与MCVCC聚类方法,结合高斯混合模型与神经网络,基于HANM可识别性实现异质性因果推断与机制揭示,在多类数据集上性能优于现有最优方法。
2025-07-29 cs.AI
From Observational Studies to Causal Rule Mining
University of South Australia(南澳大利亚大学);Chinese Academy of Sciences(中国科学院)
随机对照试验(RCT)是发现因果关系的最有效方法,但在许多情况下,不可能进行RCT。因此,基于被动观察数据的观察性研究被广泛接受为RCT的替代方案。然而,在观察性研究中,需要先验知识来生成要测试的因果关系的假设,因此它们只能应用于具有可用领域知识和少数变量的问题。在实践中,许多数据集是高维的,这使得观察性研究无法从如此丰富的数据源中发现因果关系。在另一个方向上,已经开发了许多有效的数据采掘方法来识别大型数据集中变量之间的关联。问题是,因果关系意味着关联,但反过来并不总是正确的。然而,我们可以看到这两种范式之间的协同作用。具体来说,关联规则挖掘可以用来处理高维问题,而观察性研究可以用来消除非因果关系。本文提出了因果规则的概念,并提出了一种在大数据集中挖掘因果规则的算法。我们使用回顾性队列研究的思想来检测CR的关联规则挖掘的结果的基础上。合成和真实世界的数据集的实验证明了CR挖掘的有效性和效率。与通常使用的因果发现方法相比,所提出的方法通常更快,并且在找到正确或合理的原因方面具有更好或有竞争力的性能。它还能够找到由多个变量组成的原因,这是其他因果发现方法所不具备的功能。
2015-08-16 cs.AI
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
CausalMix: Data Mixture as Causal Inference for Language Model Training
Tsinghua University(清华大学);Ant Group(蚂蚁集团);Renmin University of China(中国人民大学)
提出CausalMix框架,将数据混合优化视为因果推断问题,通过条件平均处理效应估计最优混合比例,在7B模型上提升多任务性能,并具备可解释性。
2026-10-27 cs.AI cs.CL cs.LG
New Rules for Causal Identification with Background Knowledge
Nanjing University(南京大学)
本文提出两条整合背景知识的新规则,用于在潜在变量存在时从观测数据中识别因果关系,并绕开指数级枚举块集合的过程,增强现有方法以确定可能的因果效应。
2024-07-21 cs.AI
Supervised Adverse Drug Reaction Signalling Framework Imitating Bradford Hill's Causality Considerations
University of Nottingham(诺丁汉大学)
大型纵向观察性医学数据可能包含丰富的信息,并被认为是获得新药安全性知识的潜在来源。不幸的是,在分析纵向观测数据时存在许多复杂性和潜在问题。由于这些复杂性,使用观察数据大规模检测负面副作用的现有方法都倾向于区分关联和因果关系。需要开发能够更好地区分因果关系和非因果关系的新方法,以充分利用数据。在本文中,我们建议使用一组因果关系的考虑因素开发的流行病学家布拉德福德山的基础上,工程功能,使应用监督学习的问题,检测负面的副作用。布拉德福德山的考虑着眼于药物和结果关系的各种角度,以确定它是否显示因果特征。我们教了一个分类器在这些视角中寻找模式,它学会了区分关联和因果关系。本研究的新颖之处在于结合监督学习和Bradford Hill因果关系的考虑,自动化Bradford Hill的因果关系评估。我们评估了药物安全性金标准框架,即观察性医疗结果伙伴关系的非特异性关联参考集。该方法具有良好的区分能力,曲线下面积范围为0.792-0.940(现有方法最佳值:0.73),平均精密度为0.640(现有方法最佳值:0.141)。所提出的特征可以有效地计算并随时更新,使框架适用于大的观测数据。
2016-07-21 cs.AI
Using Noisy Extractions to Discover Causal Knowledge
University of California Santa Cruz(加州大学圣克鲁兹分校);Information Sciences Institute(信息科学研究所)
通过对文本进行信息抽取而构建的知识库在查询回答和推理中起着重要的作用。在这项工作中,我们研究了一个特定的推理任务,发现实体之间的因果关系的问题,被称为因果发现。有两种截然不同的方法来发现因果知识。一种方法试图使用自动提取技术从文本中识别因果关系,而另一种方法则从观察数据中推断因果关系。然而,单独提取往往不足以捕捉复杂的模式,获得完整的观测数据是昂贵的。我们引入了一种概率方法,用于融合噪声提取与观测数据,以发现因果知识。我们提出了一种原则性的方法,使用概率软逻辑(PSL)框架编码的良好研究的约束,以恢复长期模式和一致的预测,而廉价获得的提取提供了一个代理看不见的观察。我们应用我们的方法基因调控网络,并显示出利用KB信号的因果发现的承诺,这表明了一个关键的,新的研究领域。
2017-11-16 cs.AI
TrialCalibre: A Fully Automated Causal Engine for RCT Benchmarking and Observational Trial Calibration
本文提出TrialCalibre,一种多智能体系统,用于自动化和扩展BenchExCal流程,通过专门的智能体协调整个过程,实现适应性、可审计和透明的因果效应估计。
2026-04-28 cs.AI
Causal Inference and Mechanism Clustering of A Mixture of Additive Noise Models
The Chinese University of Hong Kong(香港中文大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Huawei Montréal Research Center(华为蒙特利尔研究中心)
一对观测变量之间的因果关系的推断是科学中的一个基本问题,并且大多数现有方法都基于单个因果模型。然而,在实际应用中,由于某些不可控因素的影响,观测数据往往来自多个具有异质因果模型的数据源,这使得单一模型的因果分析结果令人怀疑。本文将加性噪声模型推广到由有限个加性噪声组成的混合模型,并给出了其因果可辨识的条件。为了进行模型估计,我们提出了高斯过程部分可观测模型(GPPOM),并将独立性强制纳入其中,以学习与每个观察相关联的潜在参数。因果推断和聚类根据潜在的生成机制的混合模型解决这项工作。在合成数据和真实数据上的实验证明了该方法的有效性。
2018-11-11 cs.AI cs.LG stat.ML
Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known
Purdue University(普渡大学);George Mason University(乔治梅森大学)
概率机器学习模型通常不足以帮助做出干预决策,因为这些模型发现的是相关性,而不是因果关系。如果只有观察数据,实验是不可行的,正确的方法来研究干预的影响是调用珍珠的因果关系框架。即使是这种框架也假设基本的因果图是已知的,但实际上很少有这种情况。当因果结构未知时,可以使用开箱即用算法从观测数据中找到因果依赖关系。然而,也不存在在发展因果结构时也考虑决策者的先验知识的方法。本文的目的是制定合理的方法,在因果图的不确定性和决策者的先验知识的存在下,从观测数据进行决策。我们使用集成方法,如贝叶斯模型平均(BMA)来推断一组可以代表数据生成过程的因果图。我们通过明确计算潜在干预的期望值和风险来提供决策。我们通过在不同的示例环境中应用它们来演示我们的方法。
2021-05-12 cs.AI
Causal Inference under Threshold Manipulation: Bayesian Mixture Modeling and Heterogeneous Treatment Effects
本文提出了一种贝叶斯混合建模方法,用于在阈值操纵下估计因果效应,并扩展至分层贝叶斯框架以估计异质性处理效应。
2026-01-16 cs.AI stat.ME
Disentangled Instrumental Variables for Causal Inference with Networked Observational Data
School of Computer Science and Engineering(计算机科学与工程学院);Guangxi Key Lab of MSMI(广西 MSMI 重点实验室);MOE Key Lab of EBIT, Guangxi Normal University(教育部 EBIT 重点实验室,广西师范大学);School of Computer Science and Technology(计算机科学与技术学院);University of South Australia(南澳大利亚大学);School of Information Technology and Mathematical Sciences(信息科技与数学科学学院);China University of Mining and Technology(中国矿业大学)
DisIV通过解耦机制提取个体特定组件作为潜在工具变量,有效解决网络观测数据中潜在混杂因素的因果推断问题。
2026-02-08 cs.AI
Partial Counterfactual Identification from Observational and Experimental Data
Columbia University(哥伦比亚大学);Iowa State University(爱荷华州立大学)
本文研究了从任意收集的观察和实验分布和定性知识的基础数据生成模型的因果图的形式表示的边界反事实查询的问题。我们表明,在任意结构因果模型(SCM)中的所有反事实分布可以由具有相同因果图的SCM的典型家族生成,其中未观察到的(外源)变量是离散的有限域。利用规范的SCM,我们将约束反事实查询的问题转化为多项式规划的问题,多项式规划的解决方案为反事实查询提供了最优的边界。求解这样的多项式程序通常在计算上是昂贵的。因此,我们开发了有效的蒙特卡罗算法近似的最佳界限从任意组合的观测和实验数据。我们的算法在合成和真实世界的数据集上得到了广泛的验证。
2021-10-12 cs.AI
Inferring extended summary causal graphs from observational time series
Easyvista;Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
本研究针对时间序列上的延伸摘要因果图的学习问题。我们提出的算法适合在著名的基于约束的框架因果发现,并利用信息理论的措施,以确定(中)时间序列之间的依赖关系。我们首先介绍的因果熵测度的任何滞后或瞬时关系的概括,使用此措施之前,通过适应两个著名的算法,即PC和FCI构建扩展的摘要因果图。我们的方法的行为说明了通过模拟和真实数据集上运行的几个实验。
2022-05-19 cs.AI stat.ML
Identifying Finite Mixtures of Nonparametric Product Distributions and Causal Inference of Confounders
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
我们提出了一个核方法来识别有限混合非参数乘积分布。它基于联合分布的Hilbert空间嵌入。构造的张量的秩等于混合分量的个数。我们提出了一种算法来恢复组件的数据点划分成集群,使变量是联合条件独立给定的集群。该方法可用于识别有限混杂因素。
2013-09-26 cs.AI cs.LG stat.ML
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
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam(阿姆斯特丹大学)
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法,在给定因果模型的情况下,将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素,该潜在混杂因素在与治疗变量相同的空间中取值,而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应,而不依赖于常见但往往不切实际的假设,即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下,我们假设治疗和结果是离散的。因果关系的减少,然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下,可以通过合并观测数据来提高因果效应估计的准确性。其次,对于连续变量,假设线性高斯模型,我们推导出观测分布和干预分布参数的等式约束。第三,对于一般的连续设置(可能是非线性和非高斯),我们参数化的减少因果模型使用规范化流,一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验,发现在几种情况下,在不牺牲准确性的情况下,添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Learning latent causal graphs via mixture oracles
University of Chicago(芝加哥大学);Carnegie Mellon University(卡内基梅隆大学)
我们研究的问题重建的因果图模型的数据中存在的潜在变量。感兴趣的主要问题是恢复潜在变量的因果结构,同时允许变量之间的一般,潜在的非线性依赖。在许多实际问题中,原始观测(例如图像中的像素)之间的相关性远不如某些高级潜在特征(例如概念或对象)之间的相关性,这是感兴趣的设置。我们提供的条件下,潜在的陈述和潜在的因果模型是可识别的减少到一个混合物的预言。这些结果突出了一个有趣的连接之间的学习混合模型的顺序和学习的问题之间的可观察和不可观察的二分结构的研究问题。证明是建设性的,并导致几个算法,明确重建完整的图形模型。我们讨论有效的算法,并提供实验说明算法在实践中。
2021-11-21 cs.AI cs.LG stat.ML
Interventional Causal Discovery in a Mixture of DAGs
Rensselaer Polytechnic Institute(伦斯勒理工学院);Carnegie Mellon University(卡内基梅隆大学);IBM Research(IBM研究院)
本文针对混合DAG因果系统的发现挑战,确立干预规模充要条件并设计自适应算法,用O(n²)干预识别真边,且在无循环时达最优。
2024-12-03 cs.AI cs.LG stat.ME
Observational and Interventional Causal Learning for Regret-Minimizing Control
University of Stuttgart(斯图加特大学)
我们探讨如何观察和干预因果发现方法可以结合起来。一个国家的最先进的观测因果发现算法时间序列能够处理潜在的混杂因素和同期的影响,称为LPCMCI,扩展到利润从偶然的约束,通过随机对照试验。数值结果表明,完美的干预约束,重建的结构因果模型(SCM)的扩展LPCMCI允许84.6%的时间为目标变量的最佳预测。干预和观察因果发现的实施是模块化的,允许来自其他来源的因果约束。本论文的第二部分研究同时学习因果模型和通过因果模型规划行动的后悔最小化控制问题。这个想法是,一个优化测量变量的代理首先通过观察因果发现来学习系统的机制。然后,代理人干预最有希望的变量与随机值,允许开发和生成新的干预数据。然后,代理使用介入数据来进一步增强因果模型,允许下一次改进行动。与原始LPCMCI算法相比,扩展的LPCMCI可以是有利的。数值结果表明,检测和使用介入约束导致重建SCM,允许60.9%的时间用于目标变量的最佳预测,而使用原始LPCMCI算法时的基线为53.6%。此外,诱导的平均后悔从使用原始LPCMCI算法时的1.2降低到使用具有介入发现的扩展LPCMCI算法时的1.0。
2022-12-05 cs.AI cs.LG stat.ML
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
ETH Zürich(苏黎世联邦理工学院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学)
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应,提出基于矩阵加权线性估计量的方法,证明其渐近无偏,在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI stat.ME
Probabilistic Variational Causal Approach in Observational Studies
The University of Quebec at Trois-Rivieres(魁北克大学三河分校)
本文提出概率变分因果效应(PACE)度量,通过参数d调节对稀有或频繁处理值的关注,并给出正负PACE及归一化版本,提供可识别性准则,以处理观测研究中的反事实挑战。
2025-02-27 cs.AI cs.LO
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln(林肯大学);University of Padua(帕多瓦大学)
本文提出CAnDOIT方法,结合观测和干预时间序列数据重构因果模型,解决隐藏因素下仅靠观测数据难以识别因果关系的问题,并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
CausalRM: Causal-Theoretic Reward Modeling for RLHF from Observational User Feedbacks
Peking University(北京大学);Xiaohongshu Inc.(小红书公司);Zhejiang University(浙江大学)
本文提出CausalRM框架,通过因果理论处理观察性用户反馈中的噪声和偏见问题,提升RLHF任务性能,实验显示在WildGuardMix和HarmBench上分别提升49.2%和32.7%。
2026-03-19 cs.AI cs.CL cs.LG
Inferring Causal Direction from Observational Data: A Complexity Approach
University College London(伦敦大学学院);Novartis International AG(诺华国际股份公司)
从观测数据中学习因果结构的核心是一个看似简单的问题:给定两个统计相关的随机变量,哪一个对另一个有因果效应?这是不可能回答单独使用统计依赖检验,并要求我们作出额外的假设。我们提出了几个快速和简单的标准区分因果关系的离散或连续的随机变量对。它们背后的直觉是,使用原因变量预测结果变量应该比相反的情况“更简单”-不同的“简单性”概念产生不同的标准。我们证明的准确性的标准下产生的合成数据的因果机制和类型的噪声的一个广泛的家庭。
2020-10-12 cs.AI cs.LG stat.ML
Causal query in observational data with hidden variables
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
本文讨论了含隐变量观测数据的因果查询问题,目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下,寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应,对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而,现有的数据驱动的因果效应估计方法面临着一些主要的挑战,包括高维度数据的可扩展性差,由于全局因果结构学习算法使用的统计学而导致的估计精度低,以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中,我们开发了一个定理,使用本地搜索找到一个超集的调整(或混杂)变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理,我们提出了一个数据驱动的因果查询算法。实验表明,该算法比现有的数据驱动的隐变量因果效应估计方法更快,产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的,那些由国家的最先进的方法,使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
工具变量(IV)是一种强大的方法,即使在治疗和结果之间存在潜在的混杂因素时,也可以从观察数据中推断治疗对感兴趣结果的因果效应。然而,现有的IV方法需要选择IV并利用领域知识进行证明。无效的IV可能导致有偏估计。因此,发现一个有效的IV是至关重要的IV方法的应用。在本文中,我们研究和设计了一个数据驱动的算法,发现有效的IV数据下温和的假设。我们开发的理论的基础上部分祖先图(PAG),以支持搜索一组候选人的祖先IV(AIV),并为每个可能的AIV,其条件集的识别。在此基础上,我们提出了一个数据驱动的算法,从数据中发现一对IV。合成和真实世界的数据集上的实验表明,开发的IV发现算法估计准确的因果效应估计相比,国家的最先进的IV因果效应估计。
2022-06-04 cs.AI stat.ML
Federated Estimation of Causal Effects from Observational Data
National University of Singapore(新加坡国立大学);AWS AI Labs(AWS人工智能实验室);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
许多现代应用程序收集联邦精神中的数据,数据保存在本地并且不公开。到目前为止,大多数对因果推断的洞察都需要将数据存储在中央存储库中。我们提出了一个新的框架与联邦数据源的因果推断。我们评估并整合来自不同私人数据源的本地因果效应,而无需集中它们。然后,使用经典潜在结局框架的非参数重新表述,从观察数据中估计受试者的处理效应。我们将潜在的结果建模为高斯过程分布的随机函数,其定义参数可以从多个数据源中有效地学习,尊重隐私约束。我们通过一组模拟和现实世界的基准测试的例子证明了所提出的方法的承诺和效率。
2021-05-31 cs.AI cs.CR cs.LG
A pipeline for enabling path-specific causal fairness in observational health data
Department of Biomedical Informatics(生物医学信息学系);Columbia University(哥伦比亚大学);Big Data Institute(大数据研究所);University of Oxford(牛津大学)
本文提出了一种通用管道,用于训练能够解决直接和间接医疗偏见的因果公平机器学习模型。
2026-01-17 cs.AI cs.LG
Causal Inference in Observational Data
University of Minnesota(明尼苏达大学);Mayo Clinic(梅奥诊所)
我们的老龄化人口越来越多地同时患有多种慢性疾病,需要对这些疾病进行综合治疗。为一组组合疾病寻找最优药物组是一个组合模式探索问题。关联规则挖掘是一种流行的工具,这样的问题,但医疗保健的需求,寻找因果关系,而不是关联,模式使得关联规则挖掘不适合。为了解决这个问题,我们提出了一个新的框架的基础上Rubin-Neyman因果模型从观测数据中提取因果规则,纠正一些常见的偏见。具体地说,给定一组干预措施和一组定义亚群的项目(例如,疾病),我们希望找到其中存在有效干预组合的所有亚群,并且在每个这样的亚群中,我们希望找到所有干预组合,使得从该组合中丢弃任何干预将降低治疗的功效。我们的框架的一个关键方面是封闭的干预集的概念,它扩展了量化单个干预的效果的概念,一组并发的干预。我们还评估了我们的因果规则挖掘框架的电子健康记录(EHR)数据的一个大队列的患者从梅奥诊所,并表明,我们提取的模式是足够丰富的解释有争议的发现在医学文献中的一类胆固醇药物对II型糖尿病(T2 DM)的影响。
2016-11-15 cs.AI stat.AP
Federated Causal Inference from Observational Data
National University of Singapore(新加坡国立大学)
本文提出一个从去中心化数据源估计因果效应的隐私保护联邦框架,包含基于高斯过程的FedCI、自适应迁移算法CausalRFF和处理缺失数据的CausalFI三种实例,有效应对分布差异与缺失值带来的偏差。
2024-05-30 cs.AI cs.LG stat.ME
A General Causal Inference Framework for Cross-Sectional Observational Data
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对观测数据去混杂方法中朴素假设的局限,本文提出通用因果推断(GCI)框架,通过有向无环图识别关键混杂协变量并结合去混杂推断,显著提升了因果效应估计的精确性、稳定性和可解释性。
2024-04-28 cs.AI cs.LG stat.ME
A primer on optimal transport for causal inference with observational data
Emory University(埃默里大学)
本综述介绍最优运输与观察性数据因果效应识别的深层联系,指出因果推断基础模型隐含依赖最优运输原理,旨在统一多领域语言符号并探索两领域未来研究方向。
2026-08-10 cs.AI econ.EM stat.ME
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University(耶鲁大学生物统计学系);Department of Statistics, Stanford University(斯坦福大学统计学系)
CausalBGM通过学习个体特定的低维潜在特征集,提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Certifying Interventional Agreement Among Observationally Equivalent Causal Models
本文提出干预分离选择(ISS)方法,通过查询干预来认证观测等价因果模型在干预下的一致性,并在连续变量上精确判定停止条件,实验证明其能有效审计网络因果抽象。
2026-09-29 cs.AI cs.LG
Causal Robot Communication Inspired by Observational Learning Insights
Colorado School of Mines(科罗拉多矿业学院);George Mason University(乔治梅森大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
自主机器人必须交流他们的决定,以获得信任和接受。当这样做时,机器人必须确定哪些行为是因果关系,即,直接导致预期结果,因此这些行为可以包含在解释中。在心理学的行为学习中,这种在动作序列中的推理在模仿学习的背景下得到了广泛的研究。然而,这些技术和经验见解很少应用于人机交互(HRI)。在这项工作中,我们讨论了机器人意图通信的行为学习见解的相关性,并提出了这些见解的第一个应用程序的机器人,以有效地传达其意图,有选择地解释在一个动作序列的因果动作。
2022-03-17 cs.AI cs.HC cs.RO
Estimating Causal Effects in Gaussian Linear SCMs with Finite Data
Department of Computer Science, Columbia University NY 10025(计算机科学系,哥伦比亚大学)
本文提出中央化高斯线性结构因果模型,通过改进的EM算法在有限数据下有效估计因果效应。
2026-01-08 cs.AI cs.LG stat.ML
Towards a Transportable Causal Network Model Based on Observational Healthcare Data
University of Milano - Bicocca(米兰比可卡大学);Fondazione IRCCS Istituto Nazionale dei Tumori(意大利国家肿瘤研究所(IRCCS基金会));F. Hoffmann - La Roche Ltd(罗氏公司);University of Twente(特文特大学);Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒·莫勒人工智能研究所(IDSIA))
提出结合选择图、缺失图、因果发现与先验知识的新方法构建因果网络模型,解决观察性医疗数据偏差问题,实现可迁移性,在年轻乳腺癌女性心血管风险评估上优于竞争机器学习方法。
2023-11-20 cs.AI cs.LG stat.ME
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
Causal inference for observational longitudinal studies using deep survival models
Centre for Big Data Research in Health (CBDRH)(健康大数据研究中心)
观察性纵向研究的因果推断通常需要在存在时间依赖性患者病史和时间依赖性协变量的情况下准确估计处理效应对至事件时间结局的影响。为了解决这一纵向处理效应估计问题,我们开发了一个时变因果生存(TCS)模型,该模型使用潜在结果框架和一系列经常性子网络来估计生存概率的差异及其随时间推移的置信区间,作为时间依赖性协变量和治疗的函数。使用模拟生存数据集,TCS模型在不同样本维度、事件发生率、混杂和重叠的情况下显示出良好的因果效应估计性能。然而,增加样本量并不能有效缓解高水平混杂的不利影响。在一项大型临床队列研究中,TCS确定了预期的条件性平均处理效应,并检测了个体处理效应随时间的异质性。TCS提供了一种有效的方法来估计和更新随时间的个体化处理效应,以改善临床决策。使用倾向得分层和潜在结果子网络有助于纠正选择偏倚。然而,所提出的模型是有限的,在其能力,以纠正来自未测量的混杂的偏见,更广泛的测试TCS极端情况下,如低重叠和存在未测量的混杂因素是需要的,留给未来的工作。
2022-06-08 cs.AI cs.LG q-bio.QM
ZaliQL: A SQL-Based Framework for Drawing Causal Inference from Big Data
University of Washington(华盛顿大学)
从观测数据中进行因果推断是统计学和计算机科学中积极研究和发展的课题。为此开发了许多工具包,这些工具包依赖于统计软件。然而,这些工具包不能扩展到大型数据集。在本文中,我们描述了一套技术表示因果推理任务的观察数据在SQL中。该套件支持最先进的因果推理方法,并在数据库引擎中大规模运行。此外,我们介绍了几种优化技术,显着加快因果推理,无论是在在线和离线设置。我们通过真实数据集的实验来评估我们的技术的质量和性能。
2016-09-13 cs.AI cs.DB cs.LG
Causal LLM Routing: End-to-End Regret Minimization from Observational Data
MIT(麻省理工学院);IBM Research(IBM研究院)
本文提出一种基于因果推理的端到端框架,通过最小化决策遗憾从观测数据中学习大语言模型路由策略,实现高效优化和异质成本偏好的处理,实验显示优于现有方法。
2025-12-03 cs.AI cs.CL cs.LG