Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University（普渡大学）
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战，提出 Feature Matching Intervention (FMI) 方法，通过匹配过程模拟完美干预并构建因果潜图框架，理论证明其具有强分布外泛化能力，实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
Quickest Causal Change Point Detection by Adaptive Intervention
Tsinghua University（清华大学）
针对线性因果模型的变点监测，本文提出借助中心化集中因果传播变化、基于 KL 散度选择干预节点和干预值，并采用两种兼顾探索与利用的自适应干预方法，证明其一阶最优性且通过仿真与真实案例验证。
2025-06-09 cs.LG 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
Learning Mixtures of Unknown Causal Interventions
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Microsoft Research（微软研究院）
针对干预数据生成受噪声干扰、呈现混合分布的问题，该研究在未知因果图的线性高斯SEMs中，证明do与软干预的分布特性可解耦混合数据，明确样本复杂度与干预强度负相关，可识别到干预马尔可夫等价类，并通过模拟验证了理论结果。
2024-10-31 cs.LG stat.ML
The interventional Bayesian Gaussian equivalent score for Bayesian causal inference with unknown soft interventions
描述系统的因果关系是许多科学领域的基本任务，理想情况下通过实验研究来解决。然而，在干预情景下获得数据可能并不总是可行的，而从纯观测数据中发现因果关系是众所周知的挑战。在某些情况下，如基因组学，我们可能有来自异质性研究条件的数据，软（部分）干预仅涉及研究变量的子集，其影响和目标可能是未知的。结合实验和观察研究的数据提供了利用这两个领域并提高因果结构可识别性的机会。为此，我们定义了干预性BGe评分的混合观察和干预数据，干预的目标和效果可能是未知的。为了证明这种方法，我们将其性能与其他最先进的算法进行比较，无论是在模拟还是数据分析应用中。我们的方法的特权是，它需要一个贝叶斯的角度，导致一个完整的特性的后验分布的DAG结构。给定DAG样本，也可以自动导出干预效应的完整后验分布。因此，该方法有效地捕捉结构和参数估计的不确定性。复制模拟和分析的代码可在github.com/jackkuipers/iBGe上公开获得
2022-05-05 stat.ME stat.ML
Interventional Causal Representation Learning
FAIR (Meta AI)（FAIR（Meta AI））；Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；University of Michigan（密歇根大学）
本文研究干预数据对因果表示学习的促进作用，证明完美do干预可实现潜在因子在置换与缩放意义下的可识别性，非完美干预可实现块仿射识别，且无需对分布或依赖结构作任何假设。
2024-02-22 cs.LG stat.ML
Bayesian Intervention Optimization for Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）；BIGAI（北京智源人工智能研究院）
针对主动因果发现中干预选择未面向决策的问题，提出受贝叶斯因子启发的贝叶斯优化方法，通过估计假设模型、预评估干预并迭代更新先验，提高获得决定性正确证据的概率。
2024-06-16 cs.LG stat.ML
Characterization and Learning of Causal Graphs from Hard Interventions
Johns Hopkins University（约翰霍普金斯大学）；Purdue University（普渡大学）
本文研究硬干预下的因果图学习，提出基于do-calculus的图形约束刻画带潜变量因果图的干预等价类，并设计整合多干预数据集的学习算法，证明了其可靠性。
2025-11-02 cs.LG stat.ML
A continuous Structural Intervention Distance to compare Causal Graphs
Indian Institute of Science（印度科学学院）；Imperial College London（帝国理工学院）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出一种连续结构干预距离，通过结合底层数据与图结构，利用再生核希尔伯特空间中的条件均值嵌入和最大均值差异来度量真实与所学因果图的差异，并经理论与合成数据实验验证。
2023-07-31 cs.LG stat.ML
Linear Causal Disentanglement via Interventions
Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Harvard University（哈佛大学）
本文研究线性潜在因果模型下观测变量的因果解耦可识别性，证明每个潜在变量需至少一次干预以保证可识别性，提出基于推广RQ分解的证明方法，并通过实验验证了理论结果。
2023-06-11 cs.LG stat.ML
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
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）；IBM Research Zürich（苏黎世IBM研究院）
从实验中推断因果结构是许多领域的中心任务。例如，在生物学领域，最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而，干预措施的目标往往不确定或未知，观察次数有限。因此，标准的因果发现方法不再能够可靠地使用。为了填补这一空白，我们提出了一个贝叶斯框架（BaCaDI），用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的，这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中，BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME stat.ML
Info Intervention
University of Science and Technology of China（中国科学技术大学）；University of Hong Kong（香港大学）
基于行为干预的因果图是形式化、处理和理解变量间因果关系的有效工具。然而，do干预对不可操纵变量的因果关系问题的解释存在争议，而且它也缺乏检查与反事实变量相关的条件的权力。本文介绍了一种新的信息干预，以解决这两个问题，并提供了因果图的沟通和理论焦点的基础上，这种信息干预。我们的信息干预是对因果机制的输入/输出信息进行干预，而行为干预是对因果机制进行干预。因此，在信息干预框架下，因果关系被视为信息传递。作为推广，本文还提出并研究了广义信息干预。
2020-06-02 cs.AI cs.LG stat.ME
Transferring Information Across Interventions in Causal Bayesian Optimization
Computer Science Department（计算机科学系）
提出图耦合因果贝叶斯优化方法，通过共享因果参数的不确定性连接不同干预效应，实现跨干预信息传递，在可识别线性高斯因果模型中证明低秩核性质和次线性遗憾界。
2026-05-31 cs.AI cs.LG stat.ML
Dynamic Causal Bayesian Optimization
University of Warwick（华威大学）；The Alan Turing Institute（阿兰·图灵研究所）；Microsoft Research Cambridge（微软剑桥研究院）
本文研究了在一个因果动态系统中进行一系列最优干预的问题，其中目标变量和输入都随着时间的推移而变化。这个问题出现在各种领域，如系统生物学和运筹学。动态因果贝叶斯优化（DCBO）融合了顺序决策、因果推断和高斯过程（GP）仿真的思想。DCBO在图中的所有因果效应随时间变化的情况下很有用。在每个时间步长，DCBO通过整合从系统收集的观察数据和过去的干预数据来识别局部最佳干预。我们给出了理论结果，详细说明了如何可以跨时间步长传输干预信息，并定义了一个动态因果GP模型，该模型可用于量化不确定性，并在实践中找到最佳干预措施。我们展示了DCBO如何在多种环境和应用中比竞争方法更快地确定最佳干预措施。
2021-10-26 cs.LG stat.ML
Learning and Testing Causal Models with Interventions
Cornell University（康奈尔大学）；Indian Institute of Science（印度科学学院）；MIT（麻省理工学院）
我们考虑Pearl（Pearl，2009）定义的因果贝叶斯网络上的测试和学习问题。给定一个图上的因果贝叶斯网络$\mathcal{M}$，$n$离散变量和有界的度和有界的“混淆分量”，我们证明了$O(\log n)$干预在同一个图上的未知因果贝叶斯网络$\mathcal{X}$上，以及每个干预的$\tilde{O}(n/ε^2)$样本，足以有效区分是否存在$\mathcal{X}=\mathcal{M}$或是否存在某种干预，在该干预下$\mathcal{X}$和$\mathcal{M}$总体上比$ε$更远变化距离我们还获得了样本/时间/干预有效的算法：（i）在同一个图上测试两个未知因果贝叶斯网络的身份;（ii）在给定的图上学习因果贝叶斯网络。虽然我们的算法是非自适应的，我们表明，自适应一般没有帮助：$Ω(\log n)$干预是必要的测试身份的两个未知的因果贝叶斯网络在同一个图，甚至自适应。我们的算法是通过一个新的次加性不等式的平方之间的因果贝叶斯网络的Hellinger距离。
2018-05-24 cs.AI cs.DS stat.ML
Efficient Intervention Design for Causal Discovery with Latents
UMass Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们考虑在潜在变量的存在下恢复因果图，在那里我们寻求最小化恢复过程中使用的干预措施的成本。我们考虑两种干预成本模型：（1）线性成本模型，其中干预成本在变量子集上具有线性形式，以及（2）身份成本模型，其中干预成本相同，无论它是什么变量，即，目标只是尽量减少干预的次数。在线性成本模型下，我们给出了一个算法来识别潜在的因果图的祖先关系，实现在一个$2$ -因子的最优干预成本。对于任何$ε> 0$，在一些温和的限制下，该近似因子可以改进为$1+ε$。在身份成本模型下，我们通过一种特殊类型的碰撞器使用因果图的参数化来约束恢复整个因果图（包括潜在变量）所需的干预次数。特别是，我们引入的概念，$p$ -碰撞器，这是碰撞器对节点之间产生的因果图中的特定类型的条件，并提供一个上限的干预措施的数量作为因果图中的任何两个节点之间的$p$ -碰撞器的最大数量的函数。
2020-07-12 cs.DS cs.LG stat.ML
Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions
University of Maryland, College Park, MD 20740, USA（马里兰大学 College Park 分校）；Amazon Web Services（亚马逊网络服务）
针对域外干预改变事件序列因果动态的问题，提出超越i.i.d.假设的新因果框架定义ATE，设计无偏估计器与融合域外干预的Transformer模型，在ATE估计和拟合优度上优于基线。
2025-07-14 cs.LG stat.ML
Linear Causal Representation Learning from Unknown Multi-node Interventions
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Google DeepMind（谷歌DeepMind）
研究未知多节点干预下的线性因果表征学习，证明软干预可达祖先级辨识、硬干预可完全辨识，并给出实现该保证的算法。
2024-12-05 cs.LG stat.ML
Learning nonparametric latent causal graphs with unknown interventions
University of Chicago（芝加哥大学）
该研究确立了无参数假设、隐变量数量未知且存在未知干预的通用设定下，隐变量因果图的非参数可识别条件，引入全新图论概念完成构造性证明，首次刻画了无忠实性假设下因果表征的可识别性。
2023-11-03 cs.LG stat.ML
Learning Neural Causal Models with Active Interventions
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Universite de Montréal（蒙特利尔大学）；GlaxoSmithKline（葛兰素史克）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Google Research（谷歌研究院）；KTH Stockholm（瑞典皇家理工学院）；DeepMind（深度思维）
从数据中发现因果结构是一个具有挑战性的推理问题，在所有科学领域都具有根本的重要性。最近，神经网络的吸引人的特性引起了人们对基于可微神经网络的从数据中学习因果结构的方法的兴趣激增。到目前为止，可区分的因果发现集中在静态数据集的观察或固定的干预起源。在这项工作中，我们引入了一个积极的干预目标（AIT）的方法，使数据生成过程的潜在因果结构的快速识别。与随机干预目标相比，我们的方法显着减少了所需的交互次数，并且适用于从数据中学习底层有向无环图（DAG）的离散和连续优化配方。我们在广泛的设置中跨多个框架检查了所提出的方法，并在从模拟到真实数据的多个基准测试中展示了卓越的性能。
2022-03-05 cs.LG stat.ML
Matching a Desired Causal State via Shift Interventions
MIT（麻省理工学院）
将因果系统从给定的初始状态转换到期望的目标状态是一项重要的任务，渗透到包括控制理论，生物学和材料科学在内的多个领域。在因果模型中，这种转换可以通过执行一系列干预来实现。在本文中，我们考虑的问题，通过主动学习识别一个偏移干预，匹配系统的期望均值。我们定义的马尔可夫等价类，是可识别的移位干预，并提出了两个积极的学习策略，保证完全匹配所需的平均值。然后，我们推导出一个最坏情况下的下限所需的干预措施的数量，并表明这些策略是最佳的某些类的图。特别是，我们表明，我们的策略可能需要比以前考虑的方法，优化结构学习的基础因果图指数更少的干预。与我们的理论结果一致，我们还通过实验证明，与几个基线相比，我们提出的主动学习策略需要更少的干预。
2021-10-20 cs.LG stat.ME stat.ML
Scalable Contrastive Causal Discovery under Unknown Soft Interventions
Department of Systems Biology, Columbia University Irving Institute for Cancer Dynamics, Columbia University（系统生物学系，哥伦比亚大学伊万尼癌症动力学研究所，哥伦比亚大学）；Irving Institute for Cancer Dynamics, Columbia University（伊万尼癌症动力学研究所，哥伦比亚大学）；Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学）；Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学）；Data Science Institute, Columbia University（数据科学研究所，哥伦比亚大学）
本文提出了一种可扩展的因果发现模型，通过对比方法处理未知软干预，提升因果结构恢复和泛化能力。
2026-03-03 cs.LG stat.ML
Causal Discovery under Off-Target Interventions
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）；Massachusetts Institute of Technology（麻省理工学院）
针对随机干预下的因果发现问题，提出涵盖胖手干预和CRISPR基因敲除的随机干预模型，并为验证与搜索问题提供了多对数竞争比的近似算法及初步实验结果。
2024-02-13 cs.DS cs.LG stat.ME
Interventions, Where and How? Experimental Design for Causal Models at Scale
University of Oxford（牛津大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）
由于数据有限和不可识别性，从观察性和干预性数据中发现因果关系具有挑战性：这些因素在估计基础结构因果模型（SCM）时引入了不确定性。根据这两个因素产生的不确定性选择实验（干预措施）可以加快SCM的识别。现有的方法在实验设计因果关系的发现，从有限的数据要么依赖于线性假设的SCM或只选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入贝叶斯最优实验设计框架，允许在选择干预目标和值的同时主动发现大型非线性SCM的因果关系。我们证明了所提出的方法在线性和非线性SCM以及\emph{in-silico}单细胞基因调控网络数据集DREAM上的合成图（Erdos-Rènyi，无尺度）上的性能。
2022-10-21 cs.AI cs.LG stat.ML
FOCUS: Fixed-Confidence Online Causal Learning Using Sequential Adaptive Interventions
Tsinghua University（清华大学）
针对无历史数据的在线因果发现，提出FOCUS算法，通过序贯自适应干预和可计算集中不等式，在固定置信度下高效恢复因果DAG及边权重，并匹配理论下界。
2026-09-29 cs.LG stat.ML
Causal Discovery by Interventions via Integer Programming
Arizona State University（亚利桑那州立大学）；University of Pittsburgh（匹兹堡大学）
本文针对观测因果发现受混杂变量限制的问题，提出利用整数规划设计最小干预集，以保证因果结构可辨识，并通过多场景比较验证了方法的适用性与稳健性。
2024-12-02 cs.AI cs.LG stat.ML
MetaCaDI: A Meta-Learning Framework for Causal Discovery from Multiple Environments with Unknown Interventions
Nara Institute of Science and Technology（奈良科学技术大学）；NTT Communication Science Laboratories（NTT通信科学实验室）
针对复杂系统因果机制发现难题，MetaCaDI将未知干预识别转化为元学习问题，利用联合学习因果图，通过解析自适应绕过梯度优化，在多环境学习共享因果结构，实验证明其在少样本干预目标识别中表现优异。
2026-07-07 cs.LG stat.ML
Causal Markov Decision Processes: Learning Good Interventions Efficiently
University of Michigan（密歇根大学）；Adobe Inc.（奥多比公司）
我们引入因果马尔可夫决策过程（C-MDP），一个新的形式主义顺序决策相结合的标准MDP制定因果结构的状态转移和奖励函数。许多当代和新兴的应用领域，如数字医疗和数字营销，可以受益于C-MDP建模，因为干预和状态/奖励之间的因果关系机制。我们提出了因果置信上限值迭代（C-UCBVI）算法，该算法利用C-MDP中的因果结构，并提高了不考虑因果知识的标准强化学习算法的性能。我们证明了C-UCBVI满足$\tilde{O}(HS\sqrt{ZT})$后悔界，其中$T$是总时间步，$H$是情节视界，$S$是状态空间的基数.值得注意的是，我们的后悔界限不与行动/干预的大小（$A$）成比例，而只与因果图相关的量$Z$成比例，$Z$可以指数地小于$A$。通过将C-UCBVI扩展到因子化的MDP设置，我们提出了因果因子化的UCBVI（CF-UCBVI）算法，该算法进一步减少了$S$方面的指数后悔。此外，我们表明，RL算法的线性MDP问题也可以纳入C-MDP。我们的经验表明，我们的因果关系的方法在各种设置的好处，以验证我们的算法和理论结果。
2021-02-15 cs.LG stat.ML
Nonparametric Identifiability of Causal Representations from Unknown Interventions
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）；Columbia University（哥伦比亚大学）
本文研究未知干预下非参数因果表示学习的可辨识性，证明在一般性条件下，每个节点一次完美干预即可识别两个因果变量，并推广到任意数量变量，同时证明因果影响强度在等价解中保持不变。
2023-10-28 cs.AI cs.LG stat.ML
Deciphering interventional dynamical causality from non-intervention complex systems
Research Institute of Intelligent Complex Systems & CISOR, Fudan University（智能复杂系统研究所及CISOR，复旦大学）；International Research Center for Neurointelligence, The University of Tokyo Institutes for Advanced Study, The University of Tokyo（神经智能国际研究中心，东京大学先进研究所，东京大学）；School of Pharmacy, Shanghai University of Traditional Chinese Medicine（上海中医药大学药学院）；Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University（人工智能与机器人研究所，智能机器人与先进制造学院，复旦大学）；Frontiers Science Center for Deep Ocean Multispheres and Earth System, Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, Ocean University of China（深海多球体与地球系统前沿科学中心，海洋化学理论与技术重点实验室，教育部，中国海洋大学）；School of Mathematical Sciences and School of AI, Shanghai Jiao Tong University（数学科学学院和人工智能学院，上海交通大学）；Key Laboratory of Systems Health Science of Zhejiang Province, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Chinese Academy of Sciences（浙江省系统健康科学重点实验室，杭州高级研究所，中国科学院大学，中国科学院）
本文提出IntDC框架和IEE算法，通过延迟嵌入空间在不需干预或动力学模型的情况下，从观测数据中解码因果性，验证了其在因果分析中的有效性。
2025-07-30 cs.LG q-bio.QM stat.ME
Fairness under Graph Uncertainty: Achieving Interventional Fairness with Partially Known Causal Graphs over Clusters of Variables
NTT Communication Science Laboratories（NTT通信科学实验室）
提出一种利用变量簇因果图实现干预公平性的学习框架，通过调整簇集间的最大均值差异训练模型，在有限因果图知识下平衡公平与精度。
2026-06-23 cs.LG stat.ML
Score-based Causal Representation Learning with Interventions
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Google（谷歌）
本文研究潜在因果变量经未知线性变换间接观测下的因果表示学习问题，提出基于得分函数跨环境最小变化的方法，仅用软干预完美恢复潜在DAG，硬干预下还可恢复线性变换与因果排序。
2023-05-01 cs.LG stat.ML
backShift: Learning causal cyclic graphs from unknown shift interventions
我们提出了一个简单的方法来学习线性因果循环模型的潜变量的存在。该方法依赖于在特定类型的干预（“转移干预”）下记录的模型的平衡数据。这些干预措施的地点和力度不必知道，可以从数据中估计出来。我们的方法，称为backShift，只使用数据的二阶矩，并执行简单的联合矩阵对角化，适用于协方差阵之间的差异。我们给出了系统可识别性的一个充分必要条件，在一些相当一般的假设下，当且仅当至少有三个不同的实验设置，其中一个可以是纯观测数据，这是几乎肯定满足。我们展示了一些模拟数据的性能和应用在流式细胞术和金融时间序列。该代码作为R-package backShift提供。
2015-11-18 stat.ME stat.ML
Generative Intervention Models for Causal Perturbation Modeling
Technical University of Munich（慕尼黑技术大学）；Department of Computer Science, ETH Zurich, Switzerland（苏黎世联邦理工学院计算机科学系）；Munich Center for Machine Learning, Germany（慕尼黑机器学习中心）
本文提出生成式干预模型GIM，将扰动特征映射到因果模型中的原子干预分布，在实现稳健分布外预测的同时有效推断底层扰动机制，并在合成数据与单细胞RNA测序药物扰动数据上验证了其优于现有因果推断方法的效果。
2025-06-30 cs.LG stat.ML
General Causal Imputation via Synthetic Interventions
University of Montreal（蒙特利尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
针对两组元素间未观测交互作用的因果插补问题，本文提出广义合成干预 GSI 估计量，证明其在复杂潜在因子模型下的可识别性，并在合成与真实数据上达到或超过 SI-A、SI-C。
2024-10-28 cs.LG stat.ML
Stochastic Intervention for Causal Effect Estimation
University of Technology Sydney（悉尼科技大学）
因果推理方法广泛应用于精准医疗、最优政策和经济学等决策领域。这些应用的核心是干预策略的治疗效果估计。目前的估计方法大多局限于确定性的处理，但无法解决随机空间处理策略。此外，以往的方法只能根据治疗效果做出二值的“是”或“否”决策，缺乏提供细粒度的效果估计度来解释决策过程的能力。因此，本研究提出一种新的随机倾向分数和随机干预效应估计量，将因果推理方法应用于随机干预效应的估计。同时，我们设计了一个定制的遗传算法特定的随机干预效应（Ge-SIO）的目的是提供决策的因果证据。我们提供的理论分析和进行实证研究，以证明我们提出的措施和算法可以实现显着的性能提升与国家的最先进的基线相比。
2021-05-27 cs.AI cs.LG stat.ML
Budgeted and Non-budgeted Causal Bandits
Technion Israel Institute of Technology（以色列理工学院）；Indian Institute of Science（印度科学学院）；Adobe Research（Adobe研究院）
在因果图中学习好的干预可以建模为带有边信息的随机多臂强盗问题。首先，我们研究这个问题时，干预措施比观察更昂贵，并指定了预算。如果从可干预节点到奖励节点没有后门路径，那么我们提出了一种算法，以最小化简单的遗憾，最佳权衡观察和干预的基础上干预的成本。我们还提出了一个算法，占干预措施的成本，利用因果边信息，并尽量减少预期的累积遗憾，而不超过预算。我们的累积遗憾最小化算法比不考虑边信息的标准算法性能更好。最后，我们研究了一般图中无预算约束的最佳干预措施的学习问题，并给出了一个算法，当每个干预措施的奖励变量的父分布已知时，该算法根据实例参数实现恒定的期望累积遗憾。我们的结果进行了实验验证，并在目前的文献中最知名的界限。
2020-12-13 cs.LG stat.ML
A scoping review of causal methods enabling predictions under hypothetical interventions
背景和目标：通常开发预测模型的方法意味着，无论是参数还是预测都不应该被因果解释。然而，当预测模型用于支持决策时，通常需要预测假设干预下的结果。我们的目的是确定已发表的方法，开发和验证预测模型，使风险估计的结果下假设的干预措施，利用因果推断：其主要的方法学方法，基本假设，有针对性的被估量，和潜在的陷阱和挑战，使用该方法，和未解决的方法学挑战。研究方法：我们系统地回顾了截至2019年12月发表的文献，考虑了健康领域的论文，这些论文使用因果考虑因素使预测模型能够用于假设干预下的预测。结果如下：我们通过数据库检索确定了4919篇论文，通过手动检索进一步确定了115篇论文，其中13篇论文从统计学和机器学习文献中入选。从观测数据中进行因果推断的大多数方法都是基于边际结构模型和g-估计。结论：存在两种广泛的方法学方法，用于允许在假设干预下预测临床预测模型：1）丰富来自观察性研究的预测模型，并从临床试验和荟萃分析中估计因果效应; 2）直接从观察性数据估计预测模型和因果效应。这些方法需要扩展到动态治疗方案，并考虑多种干预措施，以操作临床决策支持系统。验证“因果预测模型”的技术仍处于起步阶段。
2021-01-12 stat.AP stat.ME stat.ML
Bayesian causal discovery from unknown general interventions
Università Cattolica del Sacro Cuore（圣心天主教大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
本文提出一种贝叶斯因果发现方法，在干预目标未知且允许修改父节点集合的一般干预条件下学习DAG，并给出干预马尔可夫等价类的图形刻画、兼容先验和MCMC后验近似方案。
2023-12-01 cs.LG stat.ME 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
Active Invariant Causal Prediction: Experiment Selection through Stability
因果学习的一个基本困难是因果模型通常不能完全基于观察数据来识别。干预数据，即来自不同实验环境的数据，提高了可识别性。然而，这种改善主要取决于每项实验中所进行干预的目标和性质。由于在实际应用中，实验往往是昂贵的，因此需要进行正确的干预，以便尽可能少地需要。在这项工作中，我们提出了一种新的主动学习（即实验选择）框架（A-ICP），该框架基于不变因果预测（ICP）（Peters等人，2016年）。对于一般的结构因果模型，我们描述了干预对所谓的稳定集的影响，这是Pfister等人，2019年）。我们利用这些结果，提出了几个干预选择政策的A-ICP，快速揭示了因果图中的响应变量的直接原因，同时保持ICP固有的错误控制。从经验上讲，我们分析了人口和有限制度的实验中所提出的政策的性能。
2021-11-03 stat.ME stat.ML
Jigsaw-CRL: Recovering Global Latent Causal Order from Fragmented Multi-Client Interventions
Tsinghua University（清华大学）
本文提出Jigsaw-CRL框架，针对多客户端仅干预部分潜在变量的碎片化场景，利用软干预下精度矩阵差异的低秩结构恢复全局潜在因果顺序，建立可识别性保证并经合成数据验证。
2026-09-01 cs.LG stat.ML
Partial Causal Structure Learning for Valid Selective Conformal Inference under Interventions
Department of Biostatistics, Vanderbilt University Medical Center（生物统计学系，范德比尔特大学医学中心）；Department of Informatics, King’s College London（信息学系，伦敦国王学院）；Department of Biostatistics, MD Anderson Cancer Center（生物统计学系，MD安德森癌症中心）
该研究提出部分因果学习方法，用于在干预下有效选择性符合推断，通过学习部分因果结构来提高覆盖精度。
2026-07-10 cs.LG stat.ML
Causal Bandits with General Causal Models and Interventions
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）
研究未知一般Lipschitz结构因果模型与无限广义软干预下的因果老虎机，给出由图参数、eluder维数和覆盖数刻画的累积遗憾上下界。
2024-03-01 cs.LG stat.ML
Axiomatization of Interventional Probability Distributions
本文提出干预概率分布族的简单公理化，不依赖结构因果模型或真实因果图，仅基于单变量干预，并证明干预分布和观测分布对导出的因果图具有马尔可夫性，从而统一并扩展了现有因果推断理论。
2023-11-14 math.ST stat.ML stat.OT
Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery
Warsaw University（华沙大学）；IDEAS NCBR；Jagiellonian University（雅盖隆大学）；ETH Zurich（苏黎世联邦理工学院）；Helmholtz, TU Munich（慕尼黑工业大学亥姆霍兹中心）；Institute of Mathematics, Polish Academy of Sciences（波兰科学院数学研究所）
针对因果发现中干预成本高的问题，本文提出 GIT 方法，利用梯度因果发现框架的梯度估计器指导干预目标选择，并在模拟与真实数据中验证其低数据优势。
2024-04-03 cs.AI cs.LG stat.ME
Identifying Linearly-Mixed Causal Representations from Multi-Node Interventions
Technische Universität Berlin（柏林工业大学）；German Aerospace Center（德国航空航天中心）
针对因果表示学习中的欠约束问题，放宽单节点干预假设，提出在多节点干预下利用干预方差痕迹与稀疏性正则化实现因果变量可识别性的理论与算法。
2024-03-22 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
Intervention Efficient Algorithms for Approximate Learning of Causal Graphs
UMass Amherst（马萨诸塞大学阿默斯特分校）
我们研究的问题，学习一组观察到的变量之间的因果关系，在潜在的存在，同时最大限度地减少对观察到的变量的干预成本。我们假设可以访问观察到的变量的无向图$G$，其边表示所有直接因果关系，或者（不太严格地）表示因果关系的超集（例如，通过条件独立性测试或领域专家）。我们的目标是通过一组最小成本的干预措施来恢复$G$中所有因果关系或祖先关系的方向。对于任意图$G$，构造精确的最小费用干预集是NP难的.我们进一步认为，在近似图着色的硬度的条件下，没有多项式时间算法可以实现比$Θ(\log n)$更好的近似因子，其中$n$是在$G$中观察到的变量的数量。为了克服这一限制，我们引入了一个双标准近似目标，让我们恢复所有的方向，但$εn^2$边缘$G$，为一些指定的错误参数$ε> 0$。在这个宽松的目标下，我们给出了多项式时间算法，实现干预成本在一个小的常数因子的最优。我们的算法结合了有效的干预设计和低成本的分离集系统的设计工作，从文献中的思想图属性测试。
2020-12-27 cs.DS cs.LG stat.ML
Experimental Design for Cost-Aware Learning of Causal Graphs
IBM Research（IBM研究院）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
我们考虑最小成本干预设计问题：给定因果图的基本图和干预变量的成本，确定具有最小总成本的干预集，该干预集可以学习具有给定基本图的任何因果图。我们首先证明了这个问题是NP难的。然后，我们证明，我们可以实现一个常数因子近似这个问题的贪心算法。然后，我们约束每个干预的稀疏性。我们开发了一种算法，返回一个干预设计，这是几乎最佳的稀疏图的大小与稀疏干预，我们讨论了如何使用它时，有成本的顶点。
2018-10-28 cs.DM cs.LG stat.ML
Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions
本文研究未知干预目标下高斯线性结构因果模型的等价类恢复问题，提出贪心算法 GnIES 及半合成数据生成方法，并在合成与真实数据上验证其性能。
2025-03-12 stat.CO stat.ME stat.ML
Identifiability Guarantees for Causal Disentanglement from Soft Interventions
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）；Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；Google Research（谷歌研究院）
该研究针对潜因果变量不可观测的因果解缠场景，在广义忠实性假设下证明了可识别性，开发自编码变分贝叶斯算法实现框架，可在无限数据下恢复等价类潜因果模型并预测组合干预效果，已应用于基因组学组合扰动效应预测。
2023-11-09 cs.LG math.ST stat.ME
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Disentangling Mixtures of Unknown Causal Interventions
Microsoft Research（微软研究院）
在许多现实场景中，如基因敲除实验，靶向干预往往伴随着脱靶位点的未知干预。此外，不同的单位可以随机地暴露于不同的未知干预措施，从而产生干预措施的混合。识别这种混合物的不同成分在某些应用中可能非常有价值。出于这种情况下，在这项工作中，我们研究的问题，确定所有组件存在于一个给定的因果贝叶斯网络的混合干预。我们构造一个例子来说明，在一般情况下，组件是无法识别的混合分布。接下来，假设给定的网络满足一个正性条件，我们证明了，如果一组混合成分满足一个温和的排斥假设，那么它们可以被唯一识别。我们的证明给出了一个有效的算法来恢复这些目标的指数大搜索空间的可能目标。在更现实的情况下，分布是通过大量的样本，我们进行了模拟研究，分析来自我们的可识别性证明的算法的性能。
2022-10-01 cs.AI cs.LG stat.ML
