When Helpfulness Overrides Causal Caution: Context-Dependent Suppression and Recovery in LLMs
Mitsubishi Research Institute, Inc.(三菱电机研究所);Kobe University(北九州市立大学)
研究LLM从学术到实践咨询语境中因果谨慎的系统性抑制,发现有用性导向响应模式导致因果谨慎表达大幅下降,而自纠正提示可有效恢复。
2026-06-24 cs.AI cs.CY
Restricted Causal Inference Algorithm
Polish Academy of Sciences(波兰科学院)
本文提出了一种从处理隐变量的数据中恢复信念网络结构的新算法。它本质上是Spirtes等人的CI算法的扩展。通过限制条件依赖检查的数量为k个变量,并通过将所谓的部分包含路径图转换为信念网络的额外步骤来扩展原始CI。证明了它的正确性。
2017-06-30 cs.AI
CausalVerify: End-to-End Verification of Causal Analyses by Language Models
Universidad Autónoma de Madrid(马德里自治大学);Spanish National Research Council (CSIC)(西班牙国家研究委员会)
CausalVerify通过将259篇论文与100个合成场景配对,用执行落地正确性(L2b+)评估LLM因果推断工作流,发现执行排名优于文本方向评分,且置信度不可靠。
2026-09-29 cs.AI cs.CL econ.EM
Auditing Path-Specific Fairness Across Causal Discovery Algorithms: A Heart Failure Case Study
University of California Irvine(加州大学尔湾分校);University of Orléans(奥尔良大学)
本文评估了三种因果发现算法在结构恢复和路径特定公平分解中的表现,发现Peter-Clark在合成数据中表现最佳,Fast Causal Inference在心力衰竭数据中效用最高,路径特定效应分析揭示了公平-效用比的差异。
2026-11-19 cs.AI cs.LG
Solving planning domains with polytree causal graphs is NP-complete
我们证明了用多叉树因果图求解二元变量的规划域是\NP -完全的。这与Domshlak和Brafman的多项式时间算法相反,该算法解决了这些规划域的有界入度的多叉树因果图。
2006-10-16 cs.AI cs.CC
Causal Graph Recovery in Neuroimaging through Answer Set Programming
Georgia Institute of Technology(佐治亚理工学院);Georgia State University(佐治亚州立大学);Center for Translational Research in Neuroimaging and Data Science (TReNDS)(神经影像与数据科学转化研究中心);University of California San Diego(加州大学圣地亚哥分校)
针对子采样时间序列因果图恢复难题,提出基于回答集编程的方法,纳入子采样影响并结合图论剪枝,在模拟和脑连接数据上取得SOTA,叠加现有方法可平均提升F1分数12%且鲁棒性更强。
2025-06-10 cs.AI cs.LG stat.AP
Mask2Cause: Temporal Causal Discovery Beyond Causality in Mean
Indian Institute of Science(印度科学研究院)
本文提出Mask2Cause框架,通过在预测前向传递中直接恢复潜在因果图,利用逆变量嵌入和邻接约束掩码注意力机制,以捕捉均值和方差中的因果影响,实现更高效的因果发现。
2026-10-06 cs.AI cs.LG
Causal Discovery for Irregularly Time Series with Consistency Guarantees
Zhejiang University, Hangzhou, China(浙江大学,杭州,中国)
本文研究了不规则采样时间序列中的因果发现,针对金融、医疗和气候科学等风险敏感领域中缺失数据和不一致采样频率带来的挑战,提出ReTimeCausal框架,通过交替的填补与结构学习过程,提供理论一致性保证。
2026-05-11 cs.AI cs.LG
The Complexity of Planning Problems With Simple Causal Graphs
Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
我们提出了三个新的复杂性结果的规划问题的简单因果图类。首先,我们描述了一个多项式时间的算法,使用宏生成计划的规划问题与二进制状态变量和非循环因果图的类3S。这意味着,即使规划问题有一个指数长的最小解,规划生成可能是易处理的。我们还证明了多值变量和链式因果图规划问题的计划存在性问题是NP-困难的。最后,我们证明了二元状态变量和多树因果图规划问题的计划存在性是NP-完全的。
2011-10-31 cs.AI
Polynomial Constraints in Causal Bayesian Networks
Iowa State University(爱荷华州立大学);Department of Computer Science(计算机科学系)
我们使用隐式化过程生成多项式等式约束的一组分布引起的局部干预变量的因果贝叶斯网络与隐藏变量。我们展示了如何降低隐式化问题的复杂性,并使问题在某些因果贝叶斯网络中易于处理。我们还展示了一些初步的结果多项式约束的代数结构。这些结果在区分因果模型和结合观测和实验数据检验因果模型方面具有应用价值。
2012-06-20 cs.AI stat.ME
Causal Interfaces
两个二元变量的相互作用,假设是经验观测,有三个自由度时,表示为频率矩阵。通常,一个变量对另一个变量的因果影响的大小被计算为单个值,例如,作为医疗的恢复率的增加。我们研究在这种简化中丢失了什么,并建议使用两个接口常数分别表示积极和消极的影响。给定某些关于非因果结果的假设,由此产生的认识论集合是一个连续统。我们推导出各种特定的措施,并将它们与一维指数进行对比。
2014-04-18 cs.AI math.ST stat.TH
Causal Discovery from Heteroscedastic Stochastic Dynamical Systems under Imperfect Physical Models
Department of Mechanical & Industrial Engineering(机械与工业工程系);Northeastern University(东北大学);Department of Industrial Engineering and Management Sciences(工业工程与管理科学系);Department of Mechanical Engineering(机械工程系);Northwestern University(西北大学)
本文提出了一种整合因果发现框架,利用随机微分方程中的部分物理知识来提高动态系统中因果图的恢复能力,同时分析了在不完美物理模型下的鲁棒性。
2026-05-20 cs.AI cs.LG stat.ME
Reinforced Context Order Recovery for Adaptive Reasoning and Planning
Peking University(北京大学);Beijing Normal University(北京师范大学)
本文提出强化上下文顺序恢复(ReCOR)框架,利用强化学习和自监督 token 预测难度估计,从无标注文本中提取自适应生成顺序,在推理与规划任务上优于基线甚至真实顺序监督模型。
2025-08-18 cs.AI cs.CL
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
MOSAIC: Module Discovery via Sparse Additive Identifiable Causal Learning for Scientific Time Series
University of Illinois Chicago(伊利诺伊大学香槟分校);Case Western Reserve University(凯斯西储大学);Carnegie Mellon University(卡内基梅隆大学);MBZUAI
MOSAIC通过稀疏加法可识别因果学习,在科学时间序列中发现模块结构,通过稀疏解码器恢复观测变量支持,实现可解释的潜在机制发现。
2026-10-19 cs.AI cs.LG
Causal Label Recovery in Payment Networks
Mastercard(麦star卡)
针对支付网络中标签存在的四种系统偏差,提出序列三重稳健(STR)估计器,同时纠正所有偏差并达到半参数效率界,实现基于数天而非数月数据的训练。
2026-05-28 cs.AI cs.LG stat.ML
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
Identification for Tree-shaped Structural Causal Models in Polynomial Time
Indian Institute of Technology Bombay(印度孟买理工学院);Saarland University(萨尔大学)
针对有向部分呈树形的线性结构因果模型,论文提出随机多项式时间识别算法,可判定每个结构参数的一般可识别性并给出相应FASTP表达式。
2024-03-05 cs.AI cs.DS
The Causal Marginal Polytope for Bounding Treatment Effects
University College London(伦敦大学学院)
由于不可测量的混杂,通常不可能从假设模型中识别因果效应。然而,我们可以要求部分识别,这通常归结为找到一个因果量的上限和下限,从所有的解决方案与编码的结构假设兼容的利益。一个有吸引力的方法来获得这样的界限是通过铸造它在一个约束优化方法,搜索所有的因果模型兼容的证据,在经典的工作中介绍的Balke和珍珠(1994)离散数据。虽然通过构造,这保证了严格的界限,但它带来了巨大的计算挑战。为了解决这个问题,替代方案包括不保证严格的算法,或者通过引入对模型类的限制。在本文中,我们介绍了一种新的替代方案:灵感来自信念传播的想法,我们强制执行因果模型和数据的边缘之间的兼容性,而无需构建全局因果模型。我们称这种局部相容的边际集合为因果边际多面体。当考虑小维度易处理的边缘时,由于全局独立性约束消失,这也导致了对如何引出和表达因果知识的重新思考。我们提供了一个明确的算法和实现这一想法,并评估其实用性与数值实验。
2022-02-28 cs.AI cs.LG stat.ML
Learning Neural Causal Models from Unknown Interventions
Mila, Université de Montréal(蒙特利尔大学 Mila 研究院);Mila, Polytechnique Montréal(蒙特利尔理工学院 Mila 研究院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Google AI(谷歌人工智能);Element AI
有希望的结果已经推动了最近的兴趣激增,从观测数据中学习贝叶斯网络结构的连续优化方法。然而,仅从观测数据获得的潜在结构的可识别性存在理论上的限制。介入数据提供了关于基本数据生成过程的更丰富的信息。然而,扩展和应用为观测数据设计的方法以包括干预措施并不简单,仍然是一个悬而未决的问题。在本文中,我们提供了一个通用的框架,基于连续优化和神经网络创建模型的组合观察和干预数据。所提出的方法甚至适用于具有挑战性和现实的情况下,干预后的变量是未知的。我们研究所提出的方法,在设置图恢复从头和从一个部分已知的边缘集。我们建立了强大的基准测试结果的几个结构学习任务,包括结构恢复的合成图以及标准图的贝叶斯网络知识库。
2020-08-23 cs.AI cs.LG stat.ML
The Impact of Missing Data on Causal Discovery: A Multicentric Clinical Study
University of Milano - Bicocca(米兰比可卡大学);F. Hoffmann - La Roche Ltd(罗氏公司);Fondazione IRCCS Istituto Nazionale dei Tumori(意大利国家肿瘤研究所);University of Twente(特文特大学);RadboudUMC(拉德堡德大学医学中心);Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒莫莱人工智能研究所)
该研究针对临床观测数据缺失影响因果发现的问题,扩展前沿因果发现算法以结合专家知识,通过子宫内膜癌多中心数据验证了方法的临床相关性与因果图一致性。
2023-11-03 cs.AI stat.ME
Learning Latent Structural Causal Models
Mila(米拉研究所);McGill University(麦吉尔大学);KTH Stockholm(斯德哥尔摩皇家理工学院);ÉTS Montréal(蒙特利尔高等工程技术学院);Deepmind(深度思维);Université de Montréal(蒙特利尔大学);ÉTS Montreal(蒙特利尔高等工程技术学院)
长期以来,因果学习关注的是对潜在因果机制的准确恢复。这种因果模型能够更好地解释分布外数据。因果学习的先前工作假设高层因果变量是给定的。然而,在机器学习任务中,人们经常对图像像素或高维向量等低级数据进行操作。在这种情况下,整个结构因果模型(SCM)-结构,参数,\textit{and}高层次的因果变量-是不可观察的,需要从低层次的数据学习。我们把这个问题作为贝叶斯推理的潜在SCM,低层次的数据。对于线性高斯加性噪声SCM,我们提出了一种易于处理的近似推理方法,该方法对潜在SCM的因果变量、结构和参数进行联合推理。在合成数据集和因果关系生成的图像数据集上进行实验,以证明我们的方法的有效性。我们还执行图像生成从看不见的干预,从而验证分布外泛化的因果模型。
2022-10-24 cs.AI cs.LG stat.ME
Testing Causal Models with Hidden Variables in Polynomial Delay via Conditional Independencies
Purdue University(普渡大学);Columbia University(哥伦比亚大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对含隐变量因果模型测试中条件独立性(CIs)列举耗时呈指数级的问题,本文提出c-分量局部马尔可夫性质(C-LMP),并开发了首个能在含隐变量因果图中以多项式延迟列举CIs的算法,实验验证了其实用性。
2025-06-26 cs.AI cs.LG stat.ME
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
Learning Causal Abstractions of Linear Structural Causal Models
Università di Pisa(比萨大学);University of Amsterdam(阿姆斯特丹大学)
针对线性因果模型的因果抽象条件不明及从数据学习因果抽象的难题,该研究刻画了高低层模型的约束关系,提出Abs-LiNGAM方法,在非高斯噪声假设下加速低层模型恢复,提升因果发现可扩展性。
2024-06-01 cs.AI cs.LG stat.ME
New metrics and search algorithms for weighted causal DAGs
National University of Singapore(新加坡国立大学);Broad Institute of MIT and Harvard(麻省理工与哈佛博德研究所)
本文针对带节点成本的因果图自适应干预发现问题,提出新的最坏情况成本基准,并设计在原子、有界规模及广义成本设置下达到对数近似的搜索算法。
2023-05-30 cs.AI cs.DS cs.LG