Permutation-Based Causal Structure Learning with Unknown Intervention Targets
我们考虑的问题，估计因果DAG模型的观察和干预数据的混合，当干预目标是部分或完全未知。这个问题在基因组学中是高度相关的，因为已知基因敲除技术具有脱靶效应。我们的特点介入马尔可夫等价类的DAG，可以确定从介入数据与未知的干预目标。此外，我们提出了一个可证明一致的算法，从这些数据学习的干预马尔可夫等价类。该算法在置换空间上进行全局搜索，以最小化一个新的得分函数。该算法是非参数的，这是特别重要的基因组学，其中变量之间的关系往往是非线性和非高斯分布的应用。我们证明了我们的算法在合成和生物数据集上的性能。我们的算法的实现和我们实验的可重复代码库的链接可以在https://uhlerlab.github.io/causaldag/utigsp上找到。
2020-06-20 stat.ME
Decoupling and randomization for double-indexed permutation statistics
University of Chicago（芝加哥大学）；University of Washington（华盛顿大学）；University of California, Berkeley（加州大学伯克利分校）
本文提出解耦与随机化方法，用于建立双索引排列统计量的集中不等式，推导出新的组合Hanson-Wright不等式和Bennett不等式，并提供秩统计量、图统计量和因果推断的例子。
2026-03-20 econ.EM math.PR math.ST
Permutation-based Causal Inference Algorithms with Interventions
使用观察和干预数据学习有向无环图现在是一个根本性的重要问题，这是由于基因组学最近的技术发展产生了这样的单细胞基因表达数据在一个非常大的规模。为了利用这些数据来学习基因调控网络，需要有效和可靠的因果推断算法，该算法可以利用观察和干预数据。在本文中，我们提出了两个算法的这种类型，并证明了这两个是一致的忠实性假设。这些算法是Greedy SP算法的介入性调整，并且是第一个使用具有一致性保证的观察和介入数据的算法。此外，这些算法的优点是它们是非参数的，这使得它们也适用于分析非高斯数据。在本文中，我们介绍了这两种算法及其一致性保证，并分析了它们在模拟数据、蛋白质信号数据和单细胞基因表达数据上的性能。
2017-11-05 stat.AP stat.ME
Entropic Causal Inference
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
本文研究了利用观测数据确定两个离散随机变量之间因果关系方向的问题。与以前的工作不同，我们保留了最一般的函数模型，但对未观察到的外生变量做了一个假设：受奥卡姆剃刀的启发，我们假设外生变量在真正的因果方向上是简单的。我们用雷尼熵来量化简单性。我们的主要结果是，在自然假设下，如果外生变量在真实方向上具有低$H_0$熵（基数），则它在错误方向上必须具有高$H_0$熵。建立了估计最小熵外生变量的几个算法困难性结果。我们证明了寻找具有最小熵的外生变量的问题等价于寻找给定$n$边缘分布的最小联合熵的问题，也称为最小熵耦合问题。我们提出了一个有效的贪心算法的最小熵耦合问题，即$n=2$可证明找到一个局部最优。这给出了一个贪心算法来寻找具有最小$H_1$（香农熵）的外生变量。我们的贪婪熵为基础的因果推理算法具有类似的性能，最先进的加性噪声模型在真实的数据集。我们的方法的一个优点是，我们不使用随机变量的值，但只有他们的分布。因此，我们的方法可以用于因果推理的顺序和分类数据，不像加性噪声模型。
2016-11-15 cs.AI cs.IT math.IT
Relaxed Sparsest-Permutation Formulation for Causal Discovery at Scale
Department of Statistics（统计学系）；Seoul National University（首尔国立大学）；Department of Statistics and Applied Probability（统计学与应用概率系）；University of California Santa Barbara（加州大学圣芭芭拉分校）；Scientific Data Division（科学数据部）；Lawrence Berkeley National Laboratory（伯克利国家实验室）；Interdisciplinary Program in Artificial Intelligence（人工智能跨学科项目）；Institute for Data Innovation in Science（科学数据创新研究所）
本文提出一种放宽的稀疏排列方法，用于大规模因果发现，通过稀疏三角因子在精度支持筛查图上进行搜索，提高了计算效率和可扩展性。
2026-05-07 cs.LG stat.ML
Nonlinear Permuted Granger Causality
University of Virginia（弗吉尼亚大学）
针对非线性数据中格兰杰因果推断的挑战，提出一种基于协变量集置换的显式功能连接度量方法，利用人工神经网络逼近任意非线性关系，并在特定条件下证明置换方差的一致性估计，通过模拟和神经数据验证其性能。
2023-09-17 stat.ME stat.ML
Structure Learning for Cyclic Linear Causal Models
研究了基于观测数据的线性因果模型的结构学习问题。我们对待可能的循环混合图，它允许反馈回路和潜在的混淆因素的影响给出的模型。推广了无弓无圈图的相关工作，我们假设底层图是简单的。这意味着，任何两个观察到的变量可以通过最多一个直接的因果关系的影响和结构方程中的误差项之间的相关性（混淆诱导）只发生在没有直接的因果关系的影响。我们发现，尽管新的微妙之处，在循环的情况下，所考虑的简单的循环模型是预期的尺寸和以前考虑的标准分布等价的弓无无圈图有类似的循环的情况下。我们的模型维数的结果证明，特别是基于分数的线性高斯混合图模型的结构学习方法，我们通过贪婪搜索实现。
2020-08-19 math.ST stat.ML stat.TH
Budgeted 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）；Purdue University（普渡大学）
我们研究了因果结构学习的问题时，实验者是有限的，以执行最多$k$非自适应实验的大小$1$。我们制定的问题，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平均数量，其方向得到解决。我们证明了相应的目标函数是submodular和贪心算法足以实现$(1-\frac{1}{e})$ -逼近的最优值。我们进一步提出了一个加速的贪心算法，这可能会导致数量级的性能加速的变种。我们验证了我们提出的方法合成和真实的图形。结果表明，与纯粹的观察设置相比，我们的算法通过相当少的干预来定位大多数边缘。
2018-07-29 cs.AI cs.LG stat.ML
Permutation Weighting
在观察因果推断中，为了模拟随机化实验，使用权重来使处理独立于观察到的协变量。这种性质被称为平衡;在缺乏平衡的情况下，估计的因果效应可能是任意有偏的。在这项工作中，我们介绍排列加权，使用标准的二元分类器（无论治疗的基数）估计平衡权重的方法。在该方法中可以使用大量的概率分类器;分类器的损失的选择暗示了平衡的特定定义。我们绑定的偏见和方差的过度风险的分类，表明这些消失渐近，并证明我们的分类问题直接最大限度地减少不平衡。各种各样的现有的平衡权重可以通过该机制来估计，从而允许基于分类器损失的方法之间的直接比较，以及使用交叉验证的超参数调整。经验评估表明，置换加权提供了良好的性能相比，现有的方法。
2020-07-14 stat.ME
Less Greedy Equivalence Search
Causal Artificial Intelligence Lab（因果人工智能实验室）；Columbia University（哥伦比亚大学）
本文提出较少贪心的等价搜索（LGES），通过避免在条件独立变量间插入边来改进GES，实现高达10倍加速并降低结构误差，同时支持先验知识修正和干预数据细化，实验证明其在速度、精度和鲁棒性上优于现有基线。
2025-11-06 cs.AI cs.LG stat.ME
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
Learning Causal Structure of Time Series using Best Order Score Search
University of Potsdam（波茨坦大学）
本文提出TS-BOSS方法，用于时间序列因果发现，通过改进的搜索算法在高自相关情况下实现更高的因果结构识别精度。
2026-09-25 cs.AI cs.LG stat.ME
Differentiable Multi-Target Causal Bayesian Experimental Design
KTH（瑞典皇家理工学院）；Helmholtz AI（亥姆霍兹人工智能中心）；University of Oxford（牛津大学）；Microsoft Research（微软研究院）；TU Munich（慕尼黑工业大学）
针对批量因果干预设计，本文提出端到端可微梯度优化方法，可直接优化多目标-状态干预批次，并在合成数据上超越现有策略。
2023-06-02 cs.AI cs.LG stat.ME
A Computational Framework for Solving Nonlinear Binary OptimizationProblems in Robust Causal Inference
Northeastern University（东北大学）
确定变量之间的因果关系是决策过程中的一个关键步骤。虽然因果推理需要随机实验，但由于观测数据的广泛可用性和实验的不可行性，研究人员和决策者越来越多地使用观测研究来测试因果假设。匹配方法是从观测数据中进行因果推断的最常用的技术。然而，在一对一配对中的配对分配过程中，由于实验者做出的不同选择，导致了推理的不确定性。最近，离散最优化模型被提出来处理这种不确定性。虽然用离散最优化模型可以进行稳健的推断，但是它们产生非线性问题并且缺乏可扩展性。在这项工作中，我们提出了贪婪算法，以解决强大的因果推理测试实例从观测数据的连续结果。我们提出了一个独特的框架，重新制定的非线性二元最优化问题的可行性问题。通过利用可行性公式的结构，我们开发了贪婪的计划，有效地解决强大的测试问题。在许多情况下，所提出的算法实现全局最优解。我们在三个真实世界的数据集上进行实验，以证明所提出的算法的有效性，并将我们的结果与最先进的求解器进行比较。我们的实验表明，所提出的算法显着优于精确的方法在计算时间方面，同时达到相同的结论，因果测试。数值实验和复杂性分析都表明，所提出的算法确保了在决策过程中利用大数据的力量所需的可扩展性。
2021-11-19 cs.AI cs.DM math.OC
Geometric Causal Models
Department of Chemistry, Technical University of Denmark（丹麦技术大学化学系）；Departments of Statistics and Computer Science, Columbia University（哥伦比亚大学统计学与计算机科学系）
针对非独立同分布结构化数据的因果推断难题，提出利用数据生成过程内在对称性的几何因果模型框架，结合群论、遍历理论与几何深度学习实现因果识别与估计。
2026-07-14 cs.LG q-bio.BM stat.ML
Characteristic Imsets for Cyclic Linear Causal Models and the Chickering Ideal
本文研究循环线性因果模型中的协方差等价性，利用与特征 imset 对应线性映射相关的环面理想，证明相同特征 imset 向量蕴含协方差等价，为贪心因果发现提供更小搜索空间。
2025-06-16 math.AG math.CO math.ST
Orthogonal Uplift Learning with Permutation-Invariant Representations for Combinatorial Treatments
Didi Chuxing（滴滴出行）；School of Statistics, East China Normal University（华东师范大学统计学院）；School of Mathematics and Statistics, Beijing Jiaotong University（北京交通大学数学与统计学院）；School of Statistics and Data Science, Shanghai University of Finance and Economics（上海财经大学统计与数据科学学院）；Institute of Data Science and Statistics, Shanghai University of Finance and Economics（上海财经大学数据科学与统计研究院）
本文提出一种基于排列不变表示的正交提升学习框架，用于组合治疗的因果效应估计，通过正交化低秩模型提升估计的鲁棒性和稳定性。
2026-02-23 cs.LG stat.ME
Higher-Order Causal Structure Learning with Additive Models
University of Southern California（南加州大学）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文将因果加性模型扩展为可表示高阶交互作用的超DAG结构，建立其可识别性理论，并开发扩展的贪心CAM算法，在合成实验中验证了学习更复杂超图结构可带来更好的经验性能。
2025-11-05 cs.LG math.ST 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
Supervised Whole DAG Causal Discovery
Iowa State University（爱荷华州立大学）
我们建议以监督的方式解决从数据中学习因果结构的任务。现有的监督学习学习因果方向的工作局限于学习两两关系，不适合整个DAG发现。我们提出了一种新的方法建模的整个DAG结构发现作为一个监督学习。为了适合手头的问题，我们建议使用排列等变模型，以及对齐的问题域。我们广泛评估所提出的方法在大小为10，20，50，100的合成图和真实数据上，并与各种以前的方法相比，显示出有前途的结果。
2020-06-08 cs.AI cs.LG stat.ML
Accuracy Limits of Causal Trees for Individualized Treatment Effects
Princeton University（普林斯顿大学）
本文研究了基于自适应递归划分的因果树估计器，推导了其估计精度的下界，指出即使在随机分配的常数效应基准下，标准CART型划分规则构建的因果树在样本空间上的一致误差仍可能以比样本规模的任何幂更慢的速度下降，且样本划分无法消除这一限制。
2026-06-03 econ.EM math.ST stat.ME
Causal DAG Summarization (Full Version)
CSAIL, MIT USA（麻省理工学院计算机科学与人工智能实验室）；Technion Israel（技术学院）；University of California, San Diego USA（加州大学圣地亚哥分校）
本文提出一种因果DAG摘要方法，通过贪心算法在简化复杂高维因果图的同时保留关键因果信息，确保推断可靠且对假设错误设定更鲁棒，实验验证其有效性。
2025-04-21 cs.DB cs.LG stat.ME
Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms
University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文从独立因果机制角度定义因果解耦，提出ICM-VAE框架，利用非线性流函数建模因果机制并结合辅助标签学习解耦先验，理论上证明可辨识性，实验表明能提升干预鲁棒性与反事实生成能力。
2024-08-23 cs.LG stat.ML
Causal Modelling of Heavy-Tailed Variables and Confounders with Application to River Flow
受极端河流流量与降水数据启发，提出一种针对重尾变量的新因果发现方法，通过消除或减弱已知潜在混杂因素以实现正确因果推断，并引入新参数估计器与置换检验，模拟验证了其有效性。
2022-12-24 stat.AP stat.ME
Learning to search efficiently for causally near-optimal treatments
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Harvard University（哈佛大学）；Brown University（布朗大学）
找到有效的治疗方法通常需要通过反复试验来寻找。通过最大限度地减少不必要的试验数量来提高搜索效率，可以降低成本和患者痛苦。我们将这个问题正式化为学习一个政策，使用因果推理框架在最少的试验中找到一个接近最优的治疗方法。我们给出了一个基于模型的动态规划算法，该算法从观测数据中学习，同时对不可测的混杂具有鲁棒性。为了降低时间复杂度，我们提出了一个贪心算法的边界的近最优约束。该方法在合成和真实世界的医疗数据上进行了评估，并与无模型强化学习进行了比较。我们发现，我们的方法相比无模型基线，同时提供了一个更透明的搜索时间和治疗效果之间的权衡。
2021-02-17 cs.LG stat.ML
Extremely Greedy Equivalence Search
Columbia University（哥伦比亚大学）
针对因果发现中GES方法易陷入局部最优的问题，提出XGES算法，通过优先删边改进搜索策略，在模拟数据上更准确且快10倍。
2025-02-26 cs.LG stat.ML
Score-Based Causal Discovery with Temporal Background Information
本研究针对时间背景信息改进因果发现的问题，开发了TGES算法及相关术语，通过分层背景知识评分标准学习受限DAG等价类，理论证明其返回分层MPDAG且包含真实DAG，模拟和真实数据验证了其优于时间PC算法的性能。
2025-02-12 stat.ME
Interactive rank testing by betting
为了在有协变量的随机化实验中检验治疗是否明显不同于安慰剂，采用了基于观察/残差秩的经典非参数检验（例如：Rosenbaum），通过排列实现了有限样本有效推断。本文提出了一个不同的原则基础上的推理：如果-访问所有的协变量和结果，但没有访问任何治疗分配-一个可以形成一个排名的主题是充分非随机的（例如：主要治疗其次是主要控制），那么我们可以自信地得出结论，必须有一个处理效应。基于这一原则的一个更微妙、更可量化的版本，我们设计了一个名为i-bet的交互式测试：分析师一次一个元素地形成一个单一的受试者排列，在每一步，分析师都用玩具钱打赌这个受试者是否真的得到了治疗，然后立即得知真相。财富过程形成了一个反对全局因果空值的实值证据度量，如果财富穿过$1/α$，我们可以在$α$层拒绝空值。除了提供一个新的“博弈论”原则，在此基础上的因果结论，i-bet有其他统计和计算的好处，例如（A）允许人类适应性地设计检验统计量的基础上不断增加的数据量被揭示（连同任何工作因果模型和先验知识），以及（B）不需要置换响应，而是注意到在空值下，财富形成一个非负鞅，上述决策规则的1型误差控制由Ville的紧不等式得出。此外，如果空值没有被拒绝，则稍后可以添加新的受试者，并且可以简单地继续测试，而无需任何校正（与置换p值不同）。
2022-04-14 stat.ME
Determining Causality in Travel Mode Choice
本文提出结合因果发现与结构方程模型的方法，基于2017年纽约全国家庭出行调查比较四种算法，发现DirectLiNGAM-SEM在出行方式选择因果建模中拟合最优。
2023-04-25 stat.AP
Scalable Computation of Causal Bounds
Columbia University（哥伦比亚大学）
本文提出通过剪枝线性规划来高效计算含未观测混杂因子的因果查询界限，并扩展至分数LP及贪心启发式方法，显著提升可处理问题规模与运行效率。
2023-08-04 cs.LG stat.ML
Local causal effects with continuous exposures: A matching estimator for the average causal derivative effect
本文针对连续暴露的因果效应估计问题，提出平均因果导数效应框架及匹配估计量和置换检验方法，并通过模拟和COPD真实数据验证其有效性。
2023-11-30 stat.ME
The Classification Permutation Test: A Nonparametric Test for Equality of Multivariate Distributions
确定因果关系的金标准是随机对照实验。在社会科学和医学的许多应用中，研究人员不控制分配机制，而是可能依赖于自然实验，回归不连续设计，随机对照试验，或匹配方法作为实验随机化的替代品。随机分配的标准可检验含义是处理单位和对照单位之间的协变量平衡。因此，协变量平衡通常用于验证“假设”随机分配的声明。本文提出了一种新的协变量平衡的非参数检验方法。我们的分类排列测试（CPT）是基于分类方法（例如，逻辑斯谛回归或随机森林）与费舍尔排列推理的组合。CPT保证具有正确的覆盖率，并且在所选分类器的弱假设下是一致的。为了说明使用CPT的好处，我们重新审视了四个真实数据的例子：Lyall（2009）; Green and Winik（2010）; Eggers and Hainmueller（2009）;以及Rouse（1995）。蒙特卡罗功率模拟被用来比较CPT两个现有的非参数检验的多元分布的平等。
2016-11-19 stat.AP
Two Optimal Strategies for Active Learning of Causal Models from Interventional Data
仅从观测数据来看，因果DAG仅在马尔可夫等价性下才可识别。干预数据通常提高可识别性;然而，干预的收益在很大程度上取决于干预目标，即干预变量。我们提出了主动学习（即最佳试验设计）策略计算两个不同的学习目标的最佳干预措施。第一个是一个贪婪的方法，使用单顶点干预，最大限度地提高了数量的边缘，可以定向后，每个干预。第二个在多项式时间内产生一个最小的任意大小的目标，保证完全可识别性。第二种方法证明了Eberhardt（2008）的一个猜想，表明无界干预目标的数量是足够的，并且在最坏的情况下是完全可识别性所必需的。在模拟研究中，我们比较了我们的两种主动学习方法，随机干预和现有的方法，并分析了主动学习的整体性能的估计误差的影响。
2013-08-29 cs.DM stat.ME
Efficient Online Estimation of Causal Effects by Deciding What to Observe
Carnegie Mellon University（卡内基梅隆大学）
研究人员经常面临数据融合问题，其中多个数据源可用，每个数据源捕获不同的变量子集。虽然问题公式通常采用给定的数据，但在实践中，数据采集可以是一个持续的过程。在本文中，我们的目标是估计概率模型的任何泛函（例如，因果效应）。我们提出了在线矩选择（OMS），一个框架，在该框架中，结构假设被编码为矩条件。每一步的最佳行动部分取决于识别感兴趣的泛函的时刻。我们的算法平衡探索与选择最佳的行动，建议由目前的估计的时刻。我们提出了两种选择策略：（1）探索-然后-提交（OMS-ETC）和（2）探索-然后-贪婪（OMS-ETG），证明了两者都达到了零渐近遗憾的MSE评估。我们实例化我们的平均治疗效果估计的设置，其中结构假设由因果图给出，数据源可能包括介体，混杂因素和工具变量的子集。
2021-10-30 cs.LG econ.EM stat.ML
Score-Based Causal Discovery of Latent Variable Causal Models
Carnegie Mellon University（卡内基梅隆大学）；University of California, San Diego（加州大学圣地亚哥分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出了一种基于得分的方法，用于识别包含因果相关潜在变量的因果结构，并提供了可识别性保证，同时通过实验验证了方法的有效性。
2026-05-19 cs.LG stat.ML
sHAIL-Causal: A Sequential Staircase Procedure for Invariant Causal Predictor Discovery
Rochester Institute of Technology（罗切斯特理工学院）
本文提出sHAIL-Causal，一种以不变性为门控的序贯阶梯程序，用于在Richness条件下发现真实因果预测器，解决了贪心搜索的失败并支持序贯环境下的有效置信保证。
2026-10-07 cs.LG stat.ML
Identifying the Causes of Pyrocumulonimbus (PyroCb)
University of Valencia（瓦伦西亚大学）；University of Cambridge（剑桥大学）；Institut Pierre-Simon Laplace（皮埃尔-西蒙·拉普拉斯研究所）；Columbia University（哥伦比亚大学）；University of Oxford（牛津大学）；Pasteur Labs（巴斯德实验室）
从观测数据的pyroCb（风暴云产生的极端野火）的第一个因果发现分析。不变因果预测被用来开发工具来理解pyroCb形成的因果驱动因素。这包括条件独立性测试，用于测试对于二进制变量$Y$和多变量连续变量$X$和$E$，在给定$X$的情况下，$Y$有条件地独立于$E$，以及贪婪ICP搜索算法，其依赖于较少的条件独立性测试来获得更小的更易于管理的因果预测因子集合。有了这些工具，我们确定了一个子集的七个因果预测是合理的，当与域知识：表面感热通量，相对湿度在$850$百帕，风的一个组成部分在$250$百帕，$13.3$微米，热排放，对流可用的势能，和高度。
2022-11-18 cs.LG stat.ML
Gradient-Based Neural DAG Learning
Mila；DIRO；Université de Montréal（蒙特利尔大学）
我们提出了一种新的基于分数的方法来学习有向无环图（DAG）从观测数据。我们适应最近提出的连续约束优化配方，允许变量之间的非线性关系，使用神经网络。这种扩展允许对复杂的交互进行建模，同时避免问题的组合性质。除了将我们的方法与现有的连续优化方法进行比较之外，我们还提供了与非线性贪婪搜索方法的经验比较。在合成和真实世界的数据集上，这种新方法在大多数任务上都优于当前的连续方法，同时在因果推理的重要指标上与现有的贪婪搜索方法竞争。
2020-02-18 cs.LG stat.ML
A comprehensive study on causal discovery between degradation paths
School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）；Energy Department, Politecnico di Milano（米兰理工大学能源系）；Centre de Recherche sur les Risques et les Crises (CRC), MINES Paris-PSL University（巴黎矿业大学风险与危机研究中心）
本文通过因果分析研究降级路径间的依赖关系，提出基于降级增量的因果发现策略，并通过数值实验和工程应用验证其有效性，发现稳定Peter-Clark和贪心等价搜索在准确性上表现优异。
2026-04-12 stat.AP
Causal Inference on Multivariate and Mixed-Type Data
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Saarland University（萨尔大学）
给定两个随机变量$X$和$Y$的联合分布上的数据，我们考虑了在$X$和$Y$之间推断最可能因果方向的问题。特别是，我们考虑一般情况下，其中$X$和$Y$可以是单变量或多变量，以及相同或混合的数据类型。我们采取信息理论的方法，基于Kolmogorov复杂性，由此得出，首先描述的数据的原因，然后的效果给定的原因是短于相反的方向。理想的分数是不可计算的，但可以通过最小描述长度（MDL）原则来近似。基于MDL，我们提出了两个分数，一个用于当$X$和$Y$都是相同的单一数据类型时，一个用于当它们是混合类型时。我们使用分类和回归树对$X$和$Y$之间的依赖关系进行建模。由于推断最优模型是NP难的，我们提出了Crack，一个快速贪婪算法，直接从数据中确定最可能的因果方向。对各种数据的实证评估表明，Crack可靠且准确度高，可以在单变量和多变量因果对上推断出正确的因果方向。
2017-10-16 cs.LG stat.ML
A Meta-Learning Approach to Bayesian Causal Discovery
Imperial College London（伦敦帝国学院）；University of Cambridge（剑桥大学）；University of Toronto（多伦多大学）；University of Oxford（牛津大学）
针对现有元学习方法无法编码后验关键属性及采样的局限，提出一种贝叶斯元学习模型，支持从后验采样因果结构并编码边相关性与节点置换等变性，展现了直接学习因果结构后验的优势。
2025-03-04 cs.LG stat.ME stat.ML
Amortized Inference for Causal Structure Learning
ETH Zurich（苏黎世联邦理工学院）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
推断因果结构提出了一个组合搜索问题，通常涉及评估结构的分数或独立性测试。由此产生的搜索是昂贵的，设计合适的分数或测试，捕捉先验知识是困难的。在这项工作中，我们建议摊销因果结构学习。我们不是在结构上搜索，而是训练变分推理模型来直接从观察或干预数据预测因果结构。这使得我们的推理模型能够仅从模拟器生成的数据中获取特定领域的因果发现归纳偏差，从而绕过了合适的评分函数的手工工程和图形搜索。我们的推理模型的架构模拟了排列不变性，这对结构学习中的统计效率至关重要，这有助于泛化到比训练过程中看到的更大的问题实例。在合成数据和半合成基因表达数据上，当受到大量分布偏移的影响时，我们的模型表现出强大的泛化能力，并显着优于现有算法，特别是在具有挑战性的基因组学领域。我们的代码和模型可在https://github.com/larslorch/avici上公开获取。
2022-12-15 cs.LG stat.ML
Contrast-Free ICA and Causal Inference via Wasserstein Distances to the Gaussian
Université Paris-Saclay（巴黎萨克雷大学）
研究利用到高斯分布的 Wasserstein 距离作非高斯性准则，用于线性 ICA 和 LiNGAM 因果推断。基于源与线性组合的 Wasserstein 距离不等式，总体可精确识别 ICA 矩阵与因果顺序，还给出估计器及求解器，实验展现良好性能并开源实现。
2026-07-24 stat.ME stat.ML
Berry-Esseen bounds for design-based causal inference with possibly diverging treatment levels and varying group sizes
该研究针对处理水平发散、组规模可变的随机化模型因果推断理论缺口，用Stein方法推导估计量的Berry-Esseen界，提出无重复多处理水平实验的方差估计量，完善了基于设计的因果推断理论保障。
2025-06-12 stat.ME
Causal structure learning with momentum: Sampling distributions over Markov Equivalence Classes of DAGs
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Institute for Theoretical Computer Science（理论计算机科学研究所）；University of Lübeck（吕贝克大学）
针对贝叶斯网络结构推断问题，提出带动量的不可逆因果之字形采样器，依托GES算子采样马尔可夫等价DAG类分布，并优化相关算法，显著提升运行效率与混合效果。
2024-08-27 cs.AI cs.LG stat.ML
Data-Poisoning Audits for Causal Effect Estimation
Department of Statistics, Korea University, Seoul, Republic of Korea（统计系，韩国大学，首尔，大韩民国）
研究观察性因果分析中数据中毒问题，提出针对增强逆概率加权估计的数据中毒审计方法，通过指定相关参数、进行贪婪扫描等操作，推导总影响分数和有限预算界限，经模拟验证可支持可靠因果报告及源级保障设计。
2026-07-23 cs.LG stat.ME stat.ML
Understanding Breast Cancer Survival: Using Causality and Language Models on Multi-omics Data
Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文针对乳腺癌生存预测中因果发现评估困难的问题，利用PC、GES和广义精度矩阵算法分析705名患者的多组学数据，并结合BlueBERT等生物医学语言模型验证结果，以揭示可靠的临床因果关系。
2023-05-28 cs.CL cs.LG q-bio.GN
Doubly Robust Kernel Statistics for Testing Distributional Treatment Effects
University of Oxford（牛津大学）；Amazon（亚马逊）；University of Adelaide（阿德莱德大学）
针对分布性因果效应检验问题，基于反事实均值嵌入框架提出双重鲁棒核分布嵌入估计量，证明其收敛速率更优，并构建置换检验，从理论和实验验证了检验有效性。
2023-11-07 cs.LG stat.ML
Independent-Set Design of Experiments for Estimating Treatment and Spillover Effects under Network Interference
针对网络干扰下处理分配与干扰水平纠缠的问题，提出基于独立集的实验设计，通过辅助集分配控制干扰暴露，可同时估计处理效应与溢出效应。
2023-12-07 stat.ME
Estimating the Causal Effects of T Cell Receptors
Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）；Jura Bio（朱拉生物公司）；Department of Statistics, Columbia University（哥伦比亚大学统计系）
本文提出利用选择前TCR库作为自然实验来校正未观测混杂因素，并开发可扩展神经网络估计器以推断TCR序列对患者结局的因果效应，在COVID-19严重程度分析中发现潜在治疗性TCR。
2026-09-30 cs.LG q-bio.GN stat.ML
Causal Discovery in Linear Latent Variable Models Subject to Measurement Error
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Detroit Mercy（底特律慈悲大学）；Carnegie Mellon University（卡内基梅隆大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
我们专注于在线性系统中存在测量误差时的因果发现，其中混合矩阵，即，指示与所观察的变量有关的独立外生噪声项的矩阵被识别，直到列的排列和缩放。我们证明了这个问题和因果发现之间的联系有点令人惊讶的存在下，未观察到的无父原因，在这个意义上，有一个映射，给出了混合矩阵，在这些问题中推断的基础模型之间。因此，基于一个模型的混合矩阵的任何可识别性结果转化为另一个模型的可识别性结果。我们的特点是在何种程度上的因果模型可以确定下的两部分的忠实性假设。只有在第一部分的假设（对应于传统的忠诚度的定义），结构可以学习到因果排序之间的有序分组的变量，但不是所有的边缘跨组可以识别。我们进一步表明，如果这两个部分的忠实性假设的实施，结构可以学习到一个更精细的有序分组。作为这种细化的结果，对于具有未观察到的无父原因的潜在变量模型，可以识别结构。基于我们的理论结果，我们提出了两个模型的因果结构学习方法，并评估其性能的合成数据。
2022-11-08 cs.AI cs.IT cs.LG
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
Minimum Specification Perturbation: Robustness as Distance-to-Falsification in Causal Inference
RMIT University（拉筹伯大学）；Florida Atlantic University（佛罗里达 Atlantic 大学）
本文提出最小规范扰动（MSP）方法，用于衡量因果推断中规范变化到 falsification 的距离，改进传统鲁棒性工具，降低假阳性率，展示其在 LaLonde 数据集上的应用。
2026-09-30 cs.LG stat.ME
Causal Discovery with Reinforcement Learning
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；University of Toronto（多伦多大学）
发现一组变量之间的因果结构是许多经验科学的基本问题。传统的基于分数的偶然发现方法根据预定义的分数函数依赖于各种局部搜索来搜索有向无环图（DAG）。虽然这些方法，例如，贪婪等价搜索在无限样本和某些模型假设下可能具有有吸引力的结果，但由于有限的数据和可能违反假设，它们在实践中通常不太令人满意。受神经组合优化最新进展的启发，我们提出使用强化学习（RL）来搜索具有最佳得分的DAG。我们的编码器-解码器模型将可观察的数据作为输入，并生成用于计算奖励的图邻接矩阵。奖励结合了预定义的评分函数和两个惩罚条款，以执行非循环。与目标是学习策略的典型RL应用相比，我们使用RL作为搜索策略，我们的最终输出将是在训练期间生成的所有图中获得最佳奖励的图。我们在合成数据集和真实数据集上进行了实验，结果表明，该方法不仅具有更好的搜索能力，而且在非循环约束下允许灵活的评分函数。
2020-06-08 cs.LG stat.ML
