Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
Causal Inference using Gaussian Processes with Structured Latent Confounders
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Massachusetts Institute of Technology（麻省理工学院）
潜在混杂因素-影响治疗和结果的未观察到的变量-可以使因果效应的估计产生偏差。在某些情况下，这些混杂因素在观察中是共享的，例如，除了他们单独接受的任何教育干预外，所有参加课程的学生都受到课程难度的影响。本文介绍了如何半参数模型的潜在混杂因素，具有这种结构，从而提高因果效应的估计。关键的创新是一个分层贝叶斯模型，高斯过程与结构化的潜在混杂因素（GP-SLC），和一个蒙特卡罗推理算法，该模型的基础上，椭圆切片采样。GP-SLC提供了个体处理效应的原则性贝叶斯不确定性估计，对与混杂因素、协变量、治疗和结局相关的函数形式进行了最小假设。最后，本文表明，GP-SLC是竞争力或更准确的比广泛使用的因果推断技术的三个基准数据集，包括婴儿健康与发展计划和数据集显示的影响，不断变化的温度对全州的能源消耗在新英格兰。
2020-07-14 cs.LG stat.ME stat.ML
Causal Estimation with Functional Confounders
New York University（纽约大学）；Columbia University（哥伦比亚大学）
因果推断依赖于两个基本假设：可解释性和积极性。我们研究因果推断时，真正的混杂值可以表示为一个函数的观察数据，我们称之为设置估计与功能性混杂（EFC）。在这种情况下，可解释性得到了满足，但肯定性被违反了，一般来说，因果推断是不可能的。我们考虑两种情况下的因果关系是可估计的。首先，我们讨论干预的一部分，称为功能性干预和充分条件，这些干预措施的效果估计称为功能性积极性。第二，我们开发的非参数效应估计的基础上的梯度场的功能混淆和真正的结果函数的条件。为了估计这些条件下的效果，我们开发了水平集正交下降估计（LODE）。此外，我们证明LODE的效果估计的误差范围，评估我们的方法模拟和真实的数据，并实证证明EFC的价值。
2021-02-17 cs.LG stat.ME stat.ML
Causal Mediation Analysis with Hidden Confounders
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
因果推断中的一个重要问题是将治疗对结果的总效应分解为不同的因果通路，并量化每个通路中的因果效应。例如，在因果公平中，作为一名男性雇员的总影响（即，治疗）构成其对年收入的直接影响（即，结果）和通过雇员职业的间接影响（即，调解员）。因果中介分析（CMA）是一种正式的统计框架，通常用于揭示这种潜在的因果机制。CMA在观察性研究中的一个主要挑战是处理混杂因素，即在治疗、中介和结果之间引起虚假因果关系的变量。传统的方法假设顺序可验证性，这意味着所有的混杂因素可以测量，这在实践中往往是无法验证的。这项工作的目的是规避严格的序贯性假设，并考虑隐藏的混杂因素。利用代理策略和深度学习的最新进展，我们建议同时发现表征隐藏混杂因素的潜在变量并估计因果效应。使用合成和半合成数据集的实证评估验证了所提出的方法的有效性。我们进一步展示了我们的因果公平性分析方法的潜力。
2022-01-06 cs.AI cs.CY cs.LG
Spectral Representation for Causal Estimation with Hidden Confounders
Georgia Tech（佐治亚理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）；UT Austin（德克萨斯大学奥斯汀分校）；University College London（伦敦大学学院）；Google DeepMind（谷歌DeepMind）
本文提出一种基于条件期望算子奇异值分解与鞍点优化的因果估计方法，用于处理工具变量回归和代理因果学习中的隐藏混杂因素，并在多个基准上取得优于现有方法的效果。
2025-03-10 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
CausalEGM: a general causal inference framework by encoding generative modeling
Stanford University（斯坦福大学）
虽然理解和表征因果效应在观察性研究中变得至关重要，但当混杂因素是高维时，这是具有挑战性的。在这篇文章中，我们开发了一个通用的框架$\textit{CausalEGM}$编码生成模型，可以应用于二进制和连续治疗设置估计因果关系的影响。在不混淆的潜在结果框架下，我们在高维混淆因素空间和密度已知的低维潜在空间（例如，多元正态分布）。通过这一点，CauseEGM同时消除了混杂因素对治疗和结果的依赖性，并将混杂因素映射到低维潜在空间。通过对低维潜在特征的调节，CauseEGM可以估计每个个体的因果效应或群体内的平均因果效应。理论分析表明，通过经验过程理论，可以对CauseEGM的超额风险进行限制。在编码器-解码器网络的假设下，可以保证估计的一致性。在一系列的实验中，CauseEGM表现出优于现有的方法，二进制和连续的治疗。具体而言，我们发现CauseEGM在大样本量和高维混杂因素的存在下比竞争方法更强大。CauseEGM软件可在https://github.com/SUwonglab/CausalEGM上免费获得。
2023-03-16 cs.LG stat.ML
FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；Pazhou Lab（琶洲实验室）；School of Mathematics and Big Data, Foshan University（佛山大学数学与大数据学院）
我们考虑的问题，估计一个特定类型的线性非高斯模型。不诉诸于过完备独立分量分析（ICA），我们表明，在一些温和的假设下，该模型是唯一确定的混合方法。我们的方法利用基于约束的方法和独立的基于噪声的方法来处理混杂和无混杂的情况下的优势。我们的方法的第一步使用FCI程序，它允许混淆，并能够产生渐近正确的结果。结果，不幸的是，通常确定非常少的无混淆的直接因果关系，因为只要有可能有一个混杂因素，它会表明it.The第二步，我们的程序中发现的无混淆的因果边缘之间的观察变量只有那些相邻的对FCI结果通知。通过利用所谓的Triad条件，第三步能够找到混杂因素及其与其他变量的因果关系。之后，如果需要的话，我们将ICA应用于一组非常小的图来识别剩余的因果关系。仿真数据和实际数据的实验验证了该方法的正确性和有效性。
2021-03-26 cs.LG stat.ML
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
Causal GNNs: A GNN-Driven Instrumental Variable Approach for Causal Inference in Networks
University of South Australia（南澳大学）；Southwest Jiaotong University（西南交通大学）
针对网络因果推断中隐藏混杂因素导致估计偏差的问题，提出结合GNN与注意力机制、以网络结构为工具变量的CgNN方法，经真实数据集验证可有效减偏，提供鲁棒的网络因果推断框架。
2024-09-13 cs.LG stat.ML
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架，用于在混杂因素维度发散时有效估计一般处理效应，建立了新的逼近误差界以缓解维度灾难，并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Causal Calculus in the Presence of Cycles, Latent Confounders and Selection Bias
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们证明了因果演算（也称为do-calculus）的I/O结构因果模型（ioSCM），最近提出的一般类的非线性结构因果模型，允许周期，潜在的混淆和任意概率分布的推广的主要规则。我们还推广调整标准和公式从非循环设置到一般的（即ioSCM）。这样的标准，然后允许估计（条件）的因果关系的影响，从观察数据（部分）收集的选择偏差和周期。这将后门标准、选择后门标准和这些标准的扩展推广到任意ioSCM。总之，我们的研究结果，从而使因果推理的周期，潜在的混杂因素和选择偏见的存在。最后，我们扩展的ID算法的因果关系的识别ioSCM。
2019-07-03 cs.AI cs.LG stat.ME
Characterization of causal ancestral graphs for time series with latent confounders
German Aerospace Center（德国航空航天中心）
该研究提出一类用于含未观测混杂因子的多变量时间序列的新型因果图模型，证明其为现有模型类的真子集，可在无额外假设下得出更强因果推断，且其马尔可夫等价类图形表示蕴含更丰富的因果知识。
2023-10-05 cs.AI cs.LG stat.ME
Robust Causal Analysis of Linear Cyclic Systems With Hidden Confounders
Technical University Berlin（柏林工业大学）
本文针对含反馈循环和隐藏混杂因子的复杂系统，分析了因果方法LLC的鲁棒性并提出鲁棒扩展，同时公开源代码以促进可复现研究。
2024-12-22 cs.LG stat.ML
On the Non-Monotonicity of a Non-Differentially Mismeasured Binary Confounder
Linköping University（林雪平大学）
假设我们感兴趣的是二元治疗对结果的平均因果效应，当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到，但它的非微分二元代理被观测到。我们确定的条件下，调整代理来更接近不可计算的真实平均因果效应比不调整。与其他作品不同，我们不假设混杂因素对结果的平均因果影响在治疗和未治疗之间是相同的方向。
2021-01-28 cs.LG stat.ME stat.ML
Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders
Amazon（亚马逊）；Spotify（声田）；UCL（伦敦大学学院）；Sharechat
回答因果问题的能力在许多领域都是至关重要的，因为因果推断使人们能够理解干预措施的影响。在许多应用中，在给定的时间只有单一的干预是可能的。然而，在一些重要领域，同时采取了多种干预措施。将单一干预措施的效果与联合实施的干预措施的效果区分开来是一项具有挑战性的任务，特别是因为同时实施的干预措施可能会相互作用。未观察到的混杂因素使这个问题变得更加困难，这些混杂因素影响治疗和结果。我们通过从观察数据和干预措施中了解单一干预措施的效果来应对这一挑战。我们证明，这是不可能的，但提供识别证明，证明它可以实现在非线性连续结构因果模型与加性，多变量高斯噪声-即使当未观察到的混杂因素存在。重要的是，我们展示了如何将观察到的协变量和学习异质性处理效应。基于可识别性证明，我们提供了一个算法，学习的因果模型参数，从不同的制度汇集数据，并联合最大化的组合似然。我们的方法的有效性是经验证明的合成和真实世界的数据。
2022-10-11 cs.LG stat.ML
Causal discovery for time series with latent confounders
University of Stuttgart（斯图加特大学）
重建我们观察到的现象背后的因果关系是所有科学领域的一个基本挑战。在复杂的系统中，通过实验发现因果关系通常是不可行的、不道德的或昂贵的。然而，计算能力的提高使我们能够处理现代科学产生的不断增长的数据量，从而对从观测数据中发现因果关系的问题产生了新的兴趣。这项工作评估的LPCMCI算法，其目的是找到一个多维的，高度自相关的时间序列兼容的发电机，而一些变量是未观察到的。我们发现，LPCMCI比随机算法模仿不知道什么，但仍然是远离最佳检测性能好得多。此外，LPCMCI在自动依赖项上表现最好，然后是同期依赖项，并且在滞后依赖项上表现最差。这个项目的源代码可以在线获得。
2022-09-07 cs.LG stat.ML
Provable Guarantees and Efficient Learning of Structural Equation Models with Latent Confounders
The University of Melbourne（墨尔本大学）
本文提出一种迭代识别终端节点并重构观测变量有向无环图的算法，通过稀疏加低秩分解精度矩阵处理潜在混杂变量，并给出样本复杂度保证，实验验证了理论结果。
2026-09-17 cs.LG stat.ML
Causal Inference with Noisy and Missing Covariates via Matrix Factorization
Cornell University（康奈尔大学）
观察性研究中有效的因果推断通常需要控制混杂因素。然而，在实践中，混杂因素的测量可能是嘈杂的，并可能导致因果效应的有偏估计。我们表明，我们可以减少测量噪声所造成的偏见，使用大量的噪声测量的潜在混杂因素。我们提出了使用矩阵分解来推断噪声协变量的混杂因素，这是一个灵活和原则性的框架，适用于缺失值，适应各种数据类型，并可以增强许多因果推断方法。我们对诱导的平均处理效应估计量的误差进行了限制，并使用指数族矩阵完备化预处理，证明了它在线性回归设置中是一致的。我们证明了所提出的方法的有效性，在数值实验与合成数据和真实的临床数据。
2018-06-03 cs.LG stat.ML
Causal Effect Inference with Deep Latent-Variable Models
University of Amsterdam（阿姆斯特丹大学）；TNO Intelligent Imaging（荷兰应用科学研究组织智能成像）；New York University（纽约大学）；CIMS（库朗数学科学研究所）；Massachusetts Institute of Technology（麻省理工学院）；CSAIL & IMES（计算机科学与人工智能实验室与医学工程与科学研究所）；University of Toronto（多伦多大学）；CIFAR（加拿大高等研究院）
从观察数据中学习个体水平的因果效应，例如推断对特定患者最有效的药物，对政策制定者来说是一个越来越重要的问题。从观察数据中推断因果效应的最重要方面是处理混杂因素，即影响干预及其结果的因素。一项精心设计的观察性研究试图测量所有重要的混杂因素。然而，即使不能直接获得所有混杂因素，也可能存在混杂因素代理的噪声和不确定测量。我们建立在潜变量模型的最新进展，同时估计未知的潜在空间总结的混杂因素和因果关系的影响。我们的方法是基于变分自编码器（VAE），遵循因果结构的推理代理。我们表明，我们的方法比现有的方法显着更强大，并匹配国家的最先进的集中在个人处理效应以前的基准。
2017-11-06 cs.LG 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
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego（加州大学圣地亚哥分校）
本文提出了一种两阶段迭代算法，用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构，通过路径条件保证可识别性，并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders
Intel Labs（英特尔实验室）
提出一种含潜在混杂因素的时间序列因果发现算法，按长期、短期到同期关系的顺序迭代精炼因果图，减少统计检验并提升准确率与图合理性。
2023-06-01 cs.AI cs.LG stat.ML
Causal discovery under a confounder blanket
University College London（伦敦大学学院）
从观测数据中推断因果关系很少是直截了当的，但在高维中这个问题尤其困难。对于这些应用，因果发现算法通常需要参数限制或极端稀疏约束。我们放松这些假设，并专注于一个重要的，但更专业的问题，即恢复的因果顺序之间的子图的变量已知下降从一些（可能是大）的一组混杂协变量，即$\textit{confounder blanket}$。这在许多情况下是有用的，例如当研究具有提供背景信息的遗传数据的动态生物分子子系统时。根据一个结构性的假设称为$\textit{confounder blanket principle}$，我们认为这是必不可少的易于处理的因果发现在高维，我们的方法可容纳低或高稀疏性的图形，同时保持多项式时间复杂度。我们提出了一个结构学习算法，这是可证明的声音和完整的一个所谓的$\textit{lazy oracle}$。我们设计了线性和非线性系统的有限样本误差控制的推理程序，并在一系列模拟和真实世界的数据集上展示了我们的方法。附带的$\texttt{R}$包$\texttt{cbl}$可从$\texttt{CRAN}$获得。
2022-06-28 cs.AI stat.ME stat.ML
Identification of Causal Direction under an Arbitrary Number of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；College of Engineering, Shantou University（汕头大学工程学院）；Peng Cheng Laboratory, Shenzhen, China（深圳鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能大学）
本文针对存在任意数量潜在混杂因子的线性非高斯系统，利用特定构造的联合高阶累积量矩阵的秩亏缺性质，直接识别两观测变量间的因果方向，无需迭代，并验证了其有效性与渐近正确性。
2025-10-26 cs.LG stat.ML
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich（苏黎世联邦理工学院）
当随机实验不可行或成本高昂时，使用观察数据来估计治疗效果是决策的有力工具。然而，观察性数据经常产生处理效应的偏倚估计，因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中，我们开发了序贯去混淆，一种方法，使估计个体化的处理效应随着时间的推移，存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法（即，在每个时间步分配一个或多个处理）。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品，然后将其与结果模型结合使用，以估计随时间推移的处理效应。我们证明，使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据，我们证明了我们的方法的效力，随着时间的推移，在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
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
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version)
HKUST（香港科技大学）；Microsoft Research（微软研究院）；Shanghai Jiao Tong University（上海交通大学）
针对潜在混杂因素下可微MAG学习难以扩展的问题，提出SPOT两阶段框架，通过SCL摊销推断骨架后验，并以其引导随机优化，从而缩小搜索空间并提升因果发现性能。
2024-06-15 cs.AI cs.LG stat.ML
Hacking Task Confounder in Meta-Learning
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）
本文揭示了元学习中任务混杂因素导致的负向知识转移问题，提出即插即用的MetaCRL框架，通过解耦生成因素和双层优化机制消除混杂因素，在多个基准数据集上达到SOTA性能。
2024-05-29 cs.LG stat.ML
Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
本文提出ContiVAE框架，利用带Tilted Gaussian先验的变分自编码器将未观测混杂因素建模为潜在变量，从而在观测数据中估计连续处理的个体剂量-反应曲线，实验显示其性能优于现有方法最多62%。
2024-10-21 cs.LG stat.ML
High-recall causal discovery for autocorrelated time series with latent confounders
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）
我们提出了一种新的方法，从观测时间序列中发现线性和非线性，滞后和同期的约束为基础的因果关系存在潜在的混淆。我们发现，现有的因果关系发现方法，如FCI和变种遭受低召回自相关时间序列的情况下，并确定低效果大小的条件独立性测试的主要原因。信息理论的论点表明，效果大小往往可以增加，如果因果父母包括在条件设置。为了尽早确定父母，我们建议一个迭代的过程，利用新的方向规则，以确定祖先的关系已经在边缘去除阶段。我们证明了该方法是序无关的，并且在Oracle情况下是可靠的和完全的。大量的模拟研究不同数量的变量，时间滞后，样本量，并进一步的情况下，证明我们的方法确实实现了更高的召回率比现有的方法的情况下，自相关的连续变量，同时保持在所需的水平误报。这种性能增益随着更强的自相关性而增长。在https://github.com/jakobrunge/tigramite上，我们提供了模拟研究中涉及的所有方法的Python代码。
2021-02-01 cs.LG stat.ME stat.ML
Causal Inference with Categorical Unobserved Confounder via Mixture Learning
Department of Electrical Engineering and Computer Science, MIT（麻省理工学院电气与计算机科学系）；Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）
本文研究了在未观察混杂因素为类别型时，如何通过混合学习方法实现因果推断，并提出了基于张量分解的估计方法，证明了在合适条件下因果效应可识别。
2026-07-09 stat.ME stat.ML
Identifiability Analysis of Linear ODE Systems with Hidden Confounders
The University of Melbourne（墨尔本大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
该研究针对含隐藏混杂因子的线性ODE系统可识别性条件未被探索的问题，系统分析了无因果关系、因果结构为DAG的两类潜混杂因子场景下的可识别性，并通过仿真验证了理论结果。
2026-10-07 cs.LG stat.ML
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin（柏林工业大学）
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题，本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验，明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
Causality-Aware Spatiotemporal Graph Neural Networks for Spatiotemporal Time Series Imputation
University of Illinois（伊利诺伊大学）；Virginia Polytechnic Institute and State University（弗吉尼亚理工大学）；Microsoft Research Asia（微软亚洲研究院）；Emory University（埃默里大学）
本文从因果视角提出因果感知时空图神经网络Casper，通过前门调整、基于提示的解码器和时空因果注意力机制阻断混杂因素并发现稀疏因果关系，在三个真实数据集上验证了其在时空时间序列插补中的优越性。
2024-10-23 cs.LG stat.ML
Estimating Treatment Effects with Observed Confounders and Mediators
Carnegie Mellon University（卡内基梅隆大学）
给定一个因果图，do演算可以将处理效应表示为可以凭经验估计的观测联合分布的泛函。有时do演算识别多个有效公式，促使我们比较相应估计量的统计特性。例如，后门公式适用于观察到所有混杂因素时，前门公式适用于观察到的中介传递因果效应时。在本文中，我们研究了过度识别的情况下，观察到的混杂因素和介质，使两个估计有效。针对线性高斯因果模型，我们证明了任何一个估计量都可以通过一个无界的常数因子支配另一个估计量。接下来，我们推导出一个最优估计，它利用所有观测变量，并限制其有限样本方差。我们表明，它严格优于后门和前门估计，这种改善可以是无限的。我们还提出了一个程序相结合的两个数据集，一个观察到的混杂因素和观察到的介质。最后，我们评估我们的方法模拟数据和IHDP和JTPA数据集。
2021-06-14 cs.LG econ.EM stat.ME
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India（微软印度研究院）
估计平均因果效应（ACE）是有用的，每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下，许多方法，如分层和反向倾向加权已被提出来估计ACE。然而，很难知道哪种方法对于给定的数据集是最佳的，或者对于所选择的方法使用哪些超参数。为此，我们提供了一个框架来表征损失的因果推理方法对真正的ACE，框架因果推理作为一个表示学习的问题。我们表明，许多流行的方法，包括后门方法，可以被认为是加权或表示学习算法，并提供一般的误差界的因果估计。此外，我们考虑的情况下，未观察到的变量可以混淆的因果估计和扩展建议的界限，使用鲁棒统计的原则，考虑混杂的Huber污染模型下的污染。这些界限也是可估计的，作为一个例子，我们提供了经验的逆倾向加权（IPW）估计的界限，并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计，并开辟了潜在的衍生新方法，最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
Spatio-Temporal Hierarchical Causal Models
本文提出时空层次因果模型，通过时空坍缩定理解决时空数据中未观察到的混杂因素问题，实现稳健的因果推断。
2025-11-27 cs.LG stat.ML
Confounder Analysis in Measuring Representation in Product Funnels
LinkedIn Corporation（领英公司）
本文讨论Shapley值在因果推断领域的应用，具体讨论如何以可扩展的方式选择粗化精确匹配方法的前混淆变量。我们使用一个涉及LinkedIn成员的观察实验数据集作为用例来测试其适用性，并表明Shapley值具有高度的信息性，可以利用其强大的重要性排名能力。
2022-06-07 cs.LG stat.ML
The Deconfounded Recommender: A Causal Inference Approach to Recommendation
Columbia University（哥伦比亚大学）；Netflix Inc.（奈飞公司）；Mila；HEC Montréal（蒙特利尔高等商学院）
推荐的目标是向用户展示他们喜欢的项目。虽然通常被框定为预测，但推荐的精神是回答一个介入性的问题-对于每个用户和电影，如果我们“强迫”用户观看电影，评分会是多少？为此，我们开发了一种因果推荐方法，其中观看电影是一种“治疗”，用户的评级是一种“结果”。“问题是可能存在未观察到的混杂因素，这些变量影响用户观看的电影以及他们如何评价它们;未观察到的混杂因素阻碍了观察数据的因果预测。为了解决这个问题，我们开发了去基推荐器，一种使用经典推荐模型进行因果推荐的方法。在Wang & Blei [23]之后，去基推荐器涉及两个概率模型。第一个模型是用户观看的电影;它为未观察到的混杂因素提供了替代品。第二个模型模拟每个用户如何评价每部电影;它使用替代品来帮助解释混淆因素。这种两阶段方法消除了由于混淆而导致的偏倚。它改善了推荐，并在测试集上具有稳定的性能。
2019-05-27 cs.IR cs.LG stat.ML
The Confounder Trap: Treatment-Encoding Representations in Causal Inference with Text
Duke University（杜克大学）
本文针对文本因果推断中因处理状态由文本编码引发的混淆陷阱，提出掩码调整表征方法，经模拟验证可改善重叠诊断、稳定因果效应估计并降低偏差。
2026-07-30 cs.CL stat.AP stat.ME
Multiple Causes: A Causal Graphical View
Columbia University（哥伦比亚大学）
未观察到的混杂是从观察数据进行因果推断的主要障碍。混杂因素-影响原因和结果的变量-在两者之间引起虚假的非因果关系。Wang & Blei（2018）用“多种原因的祝福”降低了这一障碍，其中多种原因的相关性结构为未观察到的混淆提供了间接证据。他们通过一种称为“去混淆”的算法来利用这些优势，该算法使用概率因子模型来校正混淆因素。在本文中，我们采取了因果图的观点的deconfounder。在一个编码共享混杂的图中，我们展示了原因的多样性如何帮助识别干预分布。然后，我们证明了deconfounder，表明它使干预的有效推论。最后，我们扩大类的图，它的理论，包括其他混杂因素和选择变量。我们的研究结果扩展了Wang & Blei（2018）的理论，证明了因果图的解方器，并扩展了可以使用它的设置。
2019-05-30 cs.LG stat.ME stat.ML
Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding
Cornell University（康奈尔大学）；Cornell Tech（康奈尔理工学院）
我们研究了从具有未观察到的混杂因素的观察数据中学习条件平均处理效应（CATE）的问题。CATE函数将基线协变量映射到个体因果效应预测，是个性化评估的关键。最近的工作集中在如何学习CATE下unconfoundedness，即，当没有未观察到的混杂因素时。由于CATE可能无法确定时，unconfoundedness被违反，我们开发了一个功能区间估计，预测界限的个人因果关系的影响下，现实的违反unconfoundedness。我们的估计量采用加权核估计量的形式，其权重反向变化。我们证明，我们的估计是尖锐的，它收敛到严格的界限可能对CATE时，可能有未观察到的混杂因素。此外，我们研究了个性化的决策规则来自我们的估计，并证明了他们达到最优的极大极小遗憾渐近。我们在模拟研究中评估了我们的方法，并通过比较来自真实观察性研究和临床试验的结论来证明其在激素替代疗法中的应用。
2018-10-05 cs.LG stat.ML
Causal Inference in Possibly Nonlinear Factor Models
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出一种基于局部主子空间逼近（结合K近邻与主成分分析）的因果推断方法，处理带噪声代理的非线性因子混杂结构，并构建双重稳健估计量，实证于政治关联对股票收益的影响。
2026-10-01 econ.EM stat.ME stat.ML
Recovering Latent Confounders from High-dimensional Proxy Variables
Image Processing Laboratory (IPL)（图像处理实验室（IPL））；Parc Científic Universitat de València（瓦伦西亚大学科学公园）
本文提出代理混杂因子分解（PCF）框架，通过高维混合代理变量估计连续处理效应，消除了以往低维或有序代理变量限制，并在合成与气候数据上验证了其有效性。
2024-03-21 cs.LG 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
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 Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants
Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科理科研究所）
针对含相关隐变量的线性非高斯因果发现难题，提出利用高阶累积量识别LvLiNGAM中因果DAG的新算法，经模拟与真实数据验证有效。
2025-10-16 cs.LG stat.ML
Causal Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
Ordering-Based Causal Structure Learning in the Presence of Latent Variables
MIT（麻省理工学院）
我们考虑在给定i.i.d.~的情况下，在存在潜在混杂因素的情况下学习因果图的任务。模型的样本。虽然目前的算法的因果结构发现存在潜在的混淆因素是基于约束的，我们在这里提出了一个基于分数的方法。我们证明了在弱于忠实性的假设下，分布的任何稀疏独立映射（IMAP）都属于真模型的马尔可夫等价类。这激发了\emph{Sparsest Poset}公式-偏序集可以映射到真实模型的最小IMAP，使得这些IMAP的稀疏性与真实模型是马尔可夫等价的。基于这一结果，我们提出了一个贪婪算法的空间偏序集的因果结构发现的潜在混淆因素的存在，并比较其性能的当前国家的最先进的算法FCI和FCI+的合成数据。
2020-03-24 cs.LG math.ST stat.ML
Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs
Guangdong University of Technology（广东工业大学）；Peking University（北京大学）；Pazhou Lab（琶洲实验室）；Carnegie Mellon University（卡内基梅隆大学）；Foshan University（佛山大学）
因果发现旨在恢复观察到的数据背后的因果结构或模型。尽管它在某些领域取得了成功，但大多数现有方法都集中在观测变量之间的因果关系上，而在许多情况下，观测变量可能不是潜在的因果变量（例如，图像像素），但是由潜在的因果变量或因果相关的混淆因素产生。为此，在本文中，我们考虑线性，非高斯潜变量模型（LiNGLaMs），其中潜在的混杂因素也是因果相关的，并提出了一个广义独立噪声（GIN）的条件来估计这样的潜变量图。具体地，对于两个观察到的随机向量$\mathbf{Y}$和$\mathbf{Z}$，当且仅当$ω^{\intercal}\mathbf{Y}$和$\mathbf{Z}$在统计上独立时，GIN成立，其中$ω$是由$\mathbf{Y}$和$\mathbf{Z}$之间的互协方差表征的参数向量。从图形的角度来看，粗略地说，GIN意味着$\mathbf{Y}$中变量的因果上较早的潜在共同原因将$\mathbf{Y}$与$\mathbf{Z}$分开。有趣的是，我们发现独立噪声条件，即，如果不存在混杂因素，原因是独立的，回归误差对原因的影响，可以看作是GIN的一个特例。此外，我们表明，GIN有助于定位潜在变量，并确定其因果结构，包括因果方向。我们进一步开发了一个递归的学习算法来实现这些目标。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。
2020-11-18 cs.LG stat.ML
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
High Dimensional Causal Inference with Variational Backdoor Adjustment
UCLA（加州大学洛杉矶分校）
本文提出一种基于生成建模和变分推断的后门调整方法，用于高维治疗和混杂因素下的因果效应估计，并在半合成X射线医学数据等场景中验证了其有效性。
2023-10-09 cs.AI cs.LG stat.ML
