Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling
University of Copenhagen（哥本哈根大学）；Technical University of Munich（慕尼黑工业大学）
针对隐式未观测混淆合成中的对角占优和双向边限制问题，提出基于块分层祖先生成的显式建模方法，完全覆盖因果模型空间，实现更稳健的因果发现评估。
2025-04-01 cs.LG math.ST stat.ML
Learning causal graphs using variable grouping according to ancestral relationship
Graduate School of Informatics（信息科学研究生院）；Institute for Liberal Arts and Sciences（人文科学研究所）；Kyoto University（京都大学）
针对小样本下因果图估计精度低的问题，本文在LiNGAM假设下提出基于祖先关系的变量分组算法CAG，实验证明其在稀疏小样本场景下精度和计算效率均优于现有方法。
2024-03-21 cs.LG stat.ML
Learning linear acyclic causal model including Gaussian noise using ancestral relationships
Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科艺术研究院）
本文提出一种时间复杂度低于PC-LiNGAM的算法，用于学习线性因果模型的分布等价模式，通过改进的因果祖先寻找算法处理高斯扰动。
2024-08-31 cs.LG stat.ME
Differentiable Causal Discovery Under Unmeasured Confounding
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Columbia University（哥伦比亚大学）
从生物、经济和社会系统中提取的数据往往由于存在不可测量的变量而混淆。先前的工作在因果发现集中在离散搜索程序选择无环有向混合图（ADMG），特别是祖先ADMG，编码普通的条件独立约束系统的观测变量之间。然而，混杂系统也表现出更一般的等式限制，不能通过这些图表示，限制了可以使用祖先ADMG学习的结构类型。在这项工作中，我们推导出可微代数约束，充分表征空间的祖先ADMG，以及更一般的类ADMG，干旱ADMG和弓免费ADMG，捕捉所有的平等限制所观察到的变量。我们使用这些约束条件来铸造因果发现作为一个连续的优化问题和设计微分程序，以找到最佳的拟合ADMG时，数据来自一个混淆的线性方程组与相关误差。我们通过模拟和应用于蛋白质表达数据集来证明我们的方法的有效性。实现我们方法的代码是开源的，可在https://gitlab.com/rbhatta8/dcd上公开获得，并将被纳入Ananke包。
2021-02-25 cs.LG stat.ML
Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data
Department of Informatics（信息学院）
针对高维多组学数据因果发现忽略层级结构或计算不可行的问题，提出基于约束的双层因果框架ASCEND，采用分治策略降低计算复杂度，实现基因组尺度高效精准的因果关系推断。
2026-07-13 cs.LG q-bio.GN stat.ML
Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles
Korteweg-de Vries Institute（科特韦格-德弗里斯研究所）；University of Amsterdam（阿姆斯特丹大学）；Institute for Computing and Information Sciences（计算与信息科学研究所）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
本文证明了FCI算法在处理含反馈环的观测数据时依然可靠且完备，能一致估计因果关系及特定环的缺失，并将该结论扩展至利用背景知识的因果发现算法。
2023-09-15 cs.AI cs.LG math.ST
Local Causal Discovery with Background Knowledge
Peking University（北京大学）；Renmin University of China（中国人民大学）
本研究针对因果发现中先验知识利用的问题，提出融合多类因果背景知识的局部结构学习方法及对应因果关系识别准则，经多类实验验证有效且高效，可应用于公平机器学习。
2024-08-15 cs.LG stat.ML
On the Representation of Pairwise Causal Background Knowledge and Its Applications in Causal Inference
Peking University（北京大学）；Xiaomi Corporation（小米公司）；Inspur Industrial Innovation (Shandong) Intelligent Manufacturing Co., Ltd.（Inspur工业创新（山东）智能制造有限公司）；Renmin University of China（中国人民大学）
本文提出通过直接因果子句（DCC）统一表示三种成对因果背景知识，并证明因果效应的可识别性仅依赖于分解的MPDAG。
2026-01-03 cs.AI cs.LG stat.ML
Separators and Adjustment Sets in Causal Graphs: Complete Criteria and an Algorithmic Framework
Radboud University Nijmegen（拉德堡德大学（奈梅亨））
从非实验数据中对因果效应的可识别性进行原则性推理是图因果模型的一个重要应用。本文重点讨论的影响，可识别的协变量调整，一种常用的估计方法。我们提出了一个算法框架，有效地测试，构建和枚举$m$ -分离器的祖先图（AG），一类图形因果模型，可以表示潜在的混淆因素的存在的不确定性。此外，我们证明了减少因果效应识别协变量调整$m$ -分离的子图的有向无环图（DAG）和最大祖先图（MAG）。联合起来，这些结果产生建设性的标准，其特征在于所有的调整集以及所有的最小和最小的调整集，用于识别所需的因果效应与多变量暴露和潜在的混淆的存在下的结果。我们的研究结果扩展了这些问题的特殊情况下，现有的几个解决方案。我们的高效算法使我们能够经验性地量化协变量调整和随机DAG和MAG中的do-calculus之间的可识别性差距，涵盖了广泛的场景。我们的算法的实现在R包dagitty中提供。
2019-01-24 cs.AI cs.LG
Heavy Tailed Homogeneous Structural Causal Models
University of Georgia（佐治亚大学）
本文提出HT-HSCM模型，用于在厚尾噪声驱动的因果发现中识别因果方向，通过递归算法恢复模型中的祖先冲击响应。
2026-04-05 math.ST stat.TH
$σ$-Maximal Ancestral Graphs
Korteweg-de Vries Institute（克罗内克-德·维雷斯研究所）；University of Amsterdam（阿姆斯特丹大学）
本文提出$σ$-最大祖先图（$σ$-MAGs），扩展MAGs以表示含潜在变量的循环有向图，并刻画其马尔可夫等价类。
2025-06-30 cs.AI cs.DM cs.DS
An efficient search-and-score algorithm for ancestral graphs using multivariate information scores
CNRS（法国国家科学研究中心）；Institut Curie（居里研究所）；PSL University（巴黎文理研究大学）；Sorbonne University（索邦大学）
本文提出一种基于多元信息评分的贪心搜索-评分算法，用于从含潜在变量的观测数据中学习祖先图，并通过局部信息评分策略在保证效率的同时超越现有因果发现方法。
2024-12-23 cs.IT cs.LG math.IT
Multi-omic Causal Discovery using Genotypes and Gene Expression
Department of Informatics（信息学院）
GENESIS算法利用基因型作为因果锚点，通过约束检验推断转录组中的祖先关系，在合成和真实数据上验证，为复杂性状因果通路发现提供新途径。
2025-05-21 cs.LG q-bio.GN
Causal Models for Growing Networks
针对增长网络，提出基于因果结构对称性的有向无环图模型框架，枚举并划分了96个模型为21类，其中部分模型适合分布式评估，为关系数据因果推断提供自然基线。
2025-04-01 cs.DM cs.SI math.CO
Collaborative Causal Discovery with Atomic Interventions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们引入了一个新的协作因果发现问题，通过该问题，我们模拟了一个常见的场景，其中我们有多个独立的实体，每个实体都有自己的因果图，目标是同时学习所有这些因果图。我们研究这个问题没有因果充分性假设，使用最大祖先图（MAG）模型的因果图，并假设我们有能力积极执行独立的单顶点（或原子）干预的实体。如果$M$底层（未知）的因果图的实体满足聚类的自然概念，我们给出算法，利用这个属性，并恢复所有的因果图使用大致对数的$M$原子干预每个实体。这些显著少于分别学习每个因果图所需的每个实体的$n$原子干预，其中$n$是因果图中可观察节点的数量。我们补充我们的结果与下限，并讨论我们的合作设置的各种扩展。
2021-06-06 cs.AI cs.LG
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Causal Discovery with Generalized Linear Models through Peeling Algorithms
本文提出一种基于广义结构方程模型的因果发现新方法，通过自底向上和自顶向下的剥离算法在存在未测量混杂因素时重建祖先关系图并估计去混杂后的亲子效应，理论证明了模型可识别性，并在数值实验和阿尔茨海默病基因调控网络应用中验证了有效性。
2023-10-25 stat.ME stat.ML
Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes
Technical University of Munich（慕尼黑工业大学）；Helmholtz Munich（慕尼黑亥姆霍兹中心）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Oxford（牛津大学）；Lund University（隆德大学）；Imperial College London（伦敦帝国学院）
本文提出一种基于签名核的条件独立性检验方法，用于推断随机微分方程模型中的因果结构，能够处理完全和部分观测数据，并在基准测试中优于现有方法。
2025-03-03 cs.AI cs.LG stat.ML
Rate-Based Causal Discovery for Heavy-Tailed Models
University of Georgia（佐治亚大学）
本研究针对重尾齐次结构因果模型提出极值最小比率估计量，构建自适应阈值估计因果顺序与祖先关系，经模拟数据和多瑙河上游河流流量数据验证，实现极端场景下的因果发现。
2026-10-14 stat.ME
Ancestral causal learning in high dimensions with a human genome-wide application
German Center for Neurodegenerative Diseases (DZNE)（德国神经退行性疾病中心（DZNE））
我们考虑在高维度中学习祖先的因果关系。我们的方法是由监督学习的角度驱动的，将因果关系的离散指标视为从可用数据中学习的标签。我们专注于设置中的一些因果（祖先）关系是已知的（通过背景知识或实验数据），并提出了一个通用的方法，规模大的问题。这是由人类生物学中的问题所激发的，这些问题的特征在于高维性和潜在的许多潜在变量。我们提出了一个案例研究，涉及干预数据从人类细胞的总尺寸$p \! \sim \! 19{,}000$。通过测试模型输出与先前未见过的介入数据，凭经验评估性能。所提出的方法是非常有效的，并证明可扩展到人类全基因组设置。我们认为敏感的背景知识，并发现结果是强大的输入信息的非平凡扰动。我们也考虑的情况下，相关的一些应用程序，其中唯一的先验信息涉及少数已知的祖先关系。
2019-05-27 cs.LG stat.ML
Towards Bounding Causal Effects under Markov Equivalence
Google DeepMind（谷歌DeepMind）
本文提出一种仅基于观测数据、利用部分祖先图表示马尔可夫等价类，系统推导因果效应界限的算法，并通过合成与真实数据验证。
2024-05-24 cs.LG stat.ML
RealCause: Realistic Causal Inference Benchmarking
Mila（米拉研究所）
在因果推理中有许多不同的因果效应估计量。然而，目前尚不清楚如何在这些估计量之间进行选择，因为因果效应没有地面实况。一个常用的选择是模拟合成数据，其中地面实况是已知的。然而，合成数据上的最佳因果估计量不太可能是真实数据上的最佳因果估计量。因果估计量的理想基准将（a）产生因果效应的地面真值，（b）代表真实数据。使用灵活的生成模型，我们提供了一个基准，既产生地面真相，是现实的。使用这个基准，我们评估了超过1500种不同的因果估计，并提供证据表明，使用预测指标为因果估计选择超参数是合理的。
2021-03-29 cs.AI cs.LG stat.ML
No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries
CausalSAGE通过打破对称性解决因果不确定性，将PAGs转换为DAGs并保留因果关系。
2026-03-01 cs.LG
dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data
本文提出非参数 PAG 相容性评分及混合式 dcFCI 算法，以同时应对潜在混杂、经验不忠实性和混合数据，并在合成与真实数据中显著提升真实 PAG 恢复能力。
2025-05-10 cs.AI cs.LG stat.ML
A Distance Covariance-based Kernel for Nonlinear Causal Clustering in Heterogeneous Populations
University of Vienna（维也纳大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Indian Institute of Technology Bombay（印度理工学院孟买分校）
我们考虑在异质群体的背景下因果结构学习的问题，即，单一因果结构不能充分代表所有群体成员的群体，这在生物科学和社会科学中很常见。为此，我们引入了一个基于距离协方差的内核，专门用于测量不同样本的潜在非线性因果结构之间的相似性。事实上，我们证明了相应的特征图是一个统计上一致的非线性独立结构的相合估计量，使内核本身的假设，即样本集来自不同的生成因果结构的统计检验。更强的是，我们证明了核空间是等距的因果祖先图的空间，使样本之间的距离在核空间中的保证对应于它们生成的因果结构之间的距离。因此，该内核使我们能够执行聚类以识别同质子群体，然后我们可以使用现有方法学习因果结构。虽然我们专注于内核的理论方面，但我们也评估了其在合成数据上的性能，并展示了其在真实基因表达数据集上的使用。
2022-02-18 cs.LG stat.ML
From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables
Zongyu Li（李宗宇）
本文提出L2C框架，通过自动发现局部因果模式来实现集群层面的因果发现，无需假设因果充分性，理论分析证明其正确性与效率，实验验证其在合成和真实数据中优于现有方法。
2026-08-12 cs.AI cs.LG
Causal screening for dynamical systems
许多经典算法通过测试一组随机变量之间的条件独立性来输出因果结构的图形表示。在动力系统中，局部独立性可以类似地用作底层数据生成过程的可测试含义。我们提出了一些廉价的方法，因果筛选提供了一个健全的因果解释的假设下，祖先的忠诚输出。流行的模型类的线性霍克斯过程是用来提供一个例子的动态因果模型。我们认为，稀疏因果图的输出往往会接近完成。我们给出了这个框架的例子，并将其应用到一个具有挑战性的生物系统。
2020-09-11 stat.OT
Separation-based distance measures for causal graphs
针对因果发现算法输出马尔可夫等价类而非单一图的问题，提出基于分离的距离度量方法，适用于DAGs和MAGs，并通过实验验证其有效性。
2025-04-04 stat.ME stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Towards Causal Foundation Model: on Duality between Causal Inference and Attention
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；Microsoft Research Cambridge（微软研究院剑桥分部）
本文提出基于注意力的因果推断方法CInA，利用无标签数据集进行自监督学习，通过最优协变量平衡与自注意力机制的对偶联系实现零样本因果推断，在分布外和真实数据集上表现优异，为因果基础模型发展奠定基础。
2024-06-03 cs.AI cs.LG stat.ME
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
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
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
Consistency of Causal Inference under the Additive Noise Model
Toyota Technological Institute-Chicago（芝加哥丰田理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们分析了一个家庭的统计因果推断的方法，从所谓的加性噪声模型下的样本。虽然大多数关于这个问题的工作都集中在建立加性噪声模型的可靠性，统计一致性的推断方法很少受到关注。我们推导出一般条件下，给定的家庭的推理方法一致推断的因果方向在非参数设置。
2014-02-05 cs.LG stat.ML
Individual Causal Inference with Structural Causal Model
IBM（国际商业机器公司）
本文提出基于结构因果模型（SCM）的个体因果推断方法，利用外生变量编码个体变异，通过indiv算子和个体因果查询形式化个体化过程，实现对个体备选方案的推断。
2025-07-11 cs.AI cs.LG
Causal inference using deep neural networks
Carnegie Mellon University（卡内基梅隆大学）
从观测数据中进行因果推断是许多科学领域的核心问题。在这里，我们提出了一个通用的监督深度学习框架，通过将输入向量转换为每对输入的图像表示来推断因果交互。给定一个训练数据集，我们首先构建一个标准化经验概率密度分布（NEPDF）矩阵。然后，我们训练一个卷积神经网络（CNN）的因果关系预测的NEPDF。我们在几个不同的模拟和真实世界的数据上测试了该方法，并将其与先前的因果推理方法进行了比较。正如我们所展示的，该方法是通用的，可以有效地处理非常大的数据集，并改进了以前的方法。
2020-11-25 cs.LG stat.ML
Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models
Cornell Tech（康奈尔科技学院）；Tsinghua University（清华大学）；University of Chicago（芝加哥大学）
针对现有因果发现方法的维度灾难与强参数假设问题，提出结合局部子结构的混合全局因果发现方法，含层级拓扑排序与局部剪边算法，有理论保证且合成数据实验表现更优。
2025-01-13 cs.LG
Deep End-to-end Causal Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）；G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而，因果发现的研究已经从推理方法中独立出来，阻止了两个领域的方法的直接结合。在这项工作中，我们开发了深度端到端的因果推断（DECI），一个基于单流的非线性加性噪声模型，采用观测数据，可以执行因果发现和推理，包括条件平均处理效应（CATE）估计。我们提供了一个理论上的保证，DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响，我们将此模型扩展到具有缺失值的异构混合类型数据，允许连续和离散的治疗决策。我们的研究结果显示，与因果发现和（C）ATE估计的相关基线相比，DECI在一千多个实验中具有竞争力的性能，这些实验涉及合成数据集和因果机器学习基准，跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
Bayesian causal inference via probabilistic program synthesis
University of Massachusetts（马萨诸塞大学）；Massachusetts Institute of Technology（麻省理工学院）
因果推理可以形式化为贝叶斯推理，其结合了因果模型的先验分布和解释观察和干预的可能性。我们表明，它是可能的，以实现这种方法，使用一个充分表达的概率程序设计语言。先验表示使用概率程序生成的源代码在一个特定领域的语言。干预是使用概率程序，编辑这个源代码修改原始的生成过程。这种方法可以直接将来自原子干预的数据，以及转移干预，方差缩放干预和其他修改因果结构的干预。这种方法也使得使用通用推理机的概率程序推断可能的因果结构和参数的数据。这一摘要描述了一个原型，这种方法在Gen概率程序设计语言。
2019-10-30 cs.AI cs.LG
A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
Department of Mechanical and Industrial Engineering（机械与工业工程系）
本文提出结合基于树的离散化技术与基于整数线性规划的匹配算法，以提升因果推断中的计算效率和ATT估计的准确性。
2026-05-06 cs.LG stat.ML
A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
Definite Non-Ancestral Relations and Structure Learning
University of Washington（华盛顿大学）；Technical University of Munich（慕尼黑工业大学）
在基于有向无环图（DAG）的因果图模型中，有向路径表示相应变量之间的因果路径。在这样一条路径的开始处的变量被称为在路径的结束处的变量的祖先。变量之间的祖先关系在因果建模中起着重要作用。在结构学习的现有文献中，这些关系通常是从学习的结构中推导出来的，并用于定向边缘或制定可能的DAG空间的约束。然而，它们通常不会被当作直接的推理目标。在这项工作中，我们通过CPDAG和d-分离关系的祖先关系的图形特征。我们提出了一个框架，可以学习明确的非祖先的关系，而无需首先学习的骨架。这个框架产生的结构信息，可以用于分数和约束为基础的算法，以更有效地学习因果DAG。
2021-05-20 cs.LG stat.ME
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
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
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University（纽约大学）；Genentech（基因泰克）；Center for Data Science, New York University（纽约大学数据科学中心）；Prescient Design, Genentech（基因泰克预见设计部）
本文提出黑盒因果推断（BBCI），将因果效应估计转化为数据集层面的元预测问题，通过从采样的数据集-效应对中学习构建估计器，在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
A General Framework on Conditions for Constraint-based Causal Learning
University College London（伦敦大学学院）；Institution Name（机构名称）
本文提出一个一般框架，用于研究约束因果学习算法的正确性条件，通过属性概念表示算法，并为PC算法提供精确条件，同时探讨其他因果发现算法的条件及改进方向。
2025-06-30 cs.AI math.ST stat.ME
Interpretable Causal Graphical Models for Equilibrium Systems with Confounding
University College London（伦敦大学学院）
本文提出可解释的因果图模型用于具有混杂因素的平衡系统，通过抗性图方法提供有效的图表示，并提出灵活的调整集选择方法。
2026-03-25 math.ST stat.ME stat.TH
Conditional Adjustment in a Markov Equivalence Class
该研究针对因果图为MPDAG或PAG代表的马尔可夫等价类的场景，提出条件调整判据这一充要图准则，并给出满足该判据的显式调整集，用于识别条件因果效应。
2024-03-11 stat.ME
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning
Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）
潜在混杂一直是从观测数据进行因果推理的一个长期障碍。一种流行的方法是使用无环有向混合图（ADMG）来建模数据，该图使用有向和双向边来描述变量之间的祖先关系。然而，使用ADMG的现有方法是基于线性函数假设或离散搜索，这是复杂的使用，并缺乏大型数据集的计算易处理性。在这项工作中，我们进一步扩展了现有的工作，并开发了一种新型的基于梯度的方法来从观察数据中学习具有非线性函数关系的ADMG。我们首先表明，潜在的混淆的存在下，无弓ADMG与非线性加性噪声模型的假设是可识别的。有了这个见解，我们提出了一种新的神经因果模型的基础上自回归流ADMG学习。这不仅使我们能够在存在潜在混杂的情况下确定数据背后复杂的因果结构关系，而且还可以同时估计它们的功能关系（因此是治疗效果）。我们通过在合成和真实世界数据集上的实验进一步验证了我们的方法，并展示了相对于相关基线的竞争性能。
2023-03-22 cs.LG stat.ME
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
Causal Inference with Deep Causal Graphs
Universitat de Barcelona（巴塞罗那大学）
参数因果建模技术很少提供反事实估计的功能，往往以建模复杂性为代价。由于因果估计依赖于用于对数据进行建模的函数族，因此过于简单的模型可能会导致生成机制的不精确表征，从而导致不可靠的结果。这限制了它们对现实生活数据集的适用性，这些数据集具有非线性关系和变量之间的高度相互作用。我们提出了深度因果图（Deep Causal Graphs），这是对神经网络建模因果分布所需功能的抽象规范，并提供了满足此契约的模型：规范化因果流。我们展示了它的表达能力，在建模复杂的相互作用和展示应用程序的方法，机器学习的可解释性和公平性，使用真正的因果反事实。
2020-06-15 cs.LG cs.NE stat.ML
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Novel Ordering-based Approaches for Causal Structure Learning in the Presence of Unobserved Variables
EPFL（洛桑联邦理工学院）
我们提出了基于排序的方法来学习的最大祖先图（MAG）的结构方程模型（SEM）的马尔可夫等价类（MEC）中存在的不可观测变量。文献中现有的基于排序的方法通过学习因果顺序（c-顺序）来恢复图。我们提倡一种新的顺序，称为可移动顺序（r-顺序），因为它们在结构学习中比c-顺序更有优势。这是因为r阶是一个适当定义的优化问题的最小化器，可以精确地（使用强化学习方法）或近似地（使用爬山搜索）解决。此外，r-阶（与c-阶不同）在MEC中的所有图中是不变的，并且包括c-阶作为子集。考虑到r阶的集合通常比c阶的集合大得多，优化问题更容易找到r阶而不是c阶。我们评估我们提出的方法在现实世界和随机生成的网络的性能和可扩展性。
2022-08-14 cs.LG stat.ME
