Bayesian sample size determination for causal discovery
基于有向无环图（DAG）的图形模型被广泛用于回答各种科学和社会学科的因果问题。然而，观察数据本身不能区分一般的DAG表示相同的条件独立性断言（马尔可夫等价的DAG），因此，在图中的一些边缘的方向仍然是不确定的。通过对网络中的变量进行外生操作而产生的干预数据增强了结构学习的过程，因为它们允许在等效DAG之间进行区分，从而锐化因果推断。从DAG的等价类开始，已经设计了一些程序来产生要操纵的变量的集合，以便识别因果DAG。然而，这些算法方法不能确定获得期望水平的统计准确度所需的介入数据的样本量。我们从贝叶斯试验设计的角度来解决这个问题，作为输入的一系列目标变量进行操作，以确定边缘方向。然后，我们提出了一种方法来确定，在每一个干预，最佳的样本量能够产生一个成功的实验的基础上，实验前评估的整体概率的实质性正确的证据。
2022-06-01 stat.ME
Active Structure Learning of Causal DAGs via Directed Clique Tree
LIDS, MIT（麻省理工学院林肯实验室（LIDS））；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究）
越来越多的工作已经开始研究干预设计的因果有向无环图（DAG）的有效结构学习。一个典型的设置是一个因果充分的设置，即一个系统没有潜在的混杂因素，选择偏差，或反馈，当观察等价类（EC）的基本图作为输入和干预被假定为无噪声。大多数现有的作品集中在最坏情况下或平均情况下的下限为定向DAG所需的干预措施的数量。这些最坏情况下的下界仅确定基本图中的最大团可能使学习真正的DAG变得困难。在这项工作中，我们开发了一个通用的单节点干预下界，建立了最大的集团始终是结构学习的根本障碍。具体来说，我们提出了一个分解的DAG到独立定向组件通过有向集团树，并使用它来证明，在EC中定向任何DAG所需的单节点干预的数量至少是一半的最大集团的大小在每个链组件的基本图的总和。此外，我们提出了一个两阶段的干预设计算法，在一定条件下的弦骨架，匹配的最佳干预数量的最大集团的数量的乘法对数因子。我们通过合成实验表明，我们的算法可以扩展到更大的图比大多数相关的工作，并实现更好的最坏情况下的性能比其他可扩展的方法。可以在https://github.com/csquires/dct-policy上找到重新创建这些结果的代码库
2020-11-01 cs.LG stat.ME stat.ML
Jointly interventional and observational data: estimation of interventional Markov equivalence classes of directed acyclic graphs
在许多应用程序中，我们有观察和（随机）干预数据。我们提出了一个高斯似然框架联合建模的不同的数据类型，基于全球参数组成的有向无圈图（DAG）和相应的边缘权重和误差方差。由于参数的全局性质，极大似然估计是合理的，每个干预只有一个或几个数据点。我们证明了BIC标准的一致性，用于估计干预性的马尔可夫等价类的DAG，这是小于的观测模拟，由于增加部分可识别性的干预数据。这种改进的可识别性直接影响到更严格的界限推断因果关系的影响。除了方法和理论推导，我们提出了实证结果，从真实和模拟数据。
2013-03-13 math.ST stat.ME stat.TH
Causal Effect Identification in Cluster DAGs
Columbia University（哥伦比亚大学）；Iowa State University（爱荷华州立大学）
关于干预和反事实的影响的推理是整个数据科学的基本任务。在过去的几十年里，已经开发了一系列用于执行此类任务的原理、算法和工具（Pearl，2000）。在这篇文献中发现的一个普遍要求是假设的表达，通常以因果图的形式出现。尽管这种方法很强大，但在一些重要的环境中，指定所有变量的因果图所需的知识是不可用的，特别是在复杂的高维域中。在本文中，我们介绍了一种新的图形化建模工具，称为集群DAGs（简称，C-DAGs），允许部分规范的变量之间的关系的基础上有限的先验知识，减轻了严格的要求，指定一个完整的因果图。C-DAG指定变量聚类之间的关系，而聚类内变量之间的关系未指定，并且可以被视为共享聚类之间关系的因果图的等价类的图形表示。我们开发了C-DAG上关于Pearl因果层次每一层变量簇的有效推断的基础和机制（Pearl和Mackenzie 2018; Bareinboim等人。2020）- L1（概率），L2（干预）和L3（反事实）。特别是，我们证明了可靠性和完整性的d-分离的概率推理C-DAG。此外，我们证明了珍珠的做演算规则的有效性，在C-DAG，并表明，标准的ID识别算法是健全的和完整的系统计算因果关系的影响，从观测数据给定的C-DAG。最后，我们表明，C-DAGs是有效的执行反事实推理集群的变量。
2023-02-06 cs.AI cs.LG stat.ME
Relaxing partition admissibility in Cluster-DAGs: a causal calculus with arbitrary variable clustering
Univ Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔理工学院）；LIG（格勒诺布尔信息实验室）；University of Münster（明斯特大学）；Institute of Medical Informatics（医学信息学研究所）；Université de Lorraine（洛林大学）；CRAN（自动控制研究中心）
本研究通过放宽划分可容许性约束扩展了 C-DAG 框架，使其支持任意变量聚类和环状结构，并将 d-分离与因果演算推广至该设定，从而拓宽了跨簇因果推理的范围。
2025-11-03 cs.AI stat.ME
Learning and scoring Gaussian latent variable causal models with unknown additive interventions
针对未知性质扰动下含潜变量的因果结构学习难题，提出利用系统不变性的最大似然估计器输出干预等价类，给出图形表征并通过多类数据验证，配套Python包utlvce。
2023-10-07 math.ST stat.ME stat.TH
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
Goodness of Causal Fit
我们提出了一个良好的因果拟合（GCF）措施，这取决于朱迪亚珍珠的“做”的干预。这与不使用干预措施的拟合优度（GF）措施不同。给定具有相同节点的DAG的集合${\cal G}$，为了找到好的$G\in {\cal G}$，我们建议针对所有$G\in {\cal G}$绘制$GCF(G)$与$GF(G)$，并找到具有大量两种类型的优度的图$G\in {\cal G}$。
2022-11-04 cs.AI stat.ME
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
Scaling Causal Mediation for Complex Systems: A Framework for Root Cause Analysis
Amazon Luxembourg, LU（亚马逊卢森堡）；Amazon New York, NY（亚马逊纽约）；Amazon Seattle, WA（亚马逊西雅图）
本文提出了一种适用于大规模因果DAGs的可扩展中介分析框架，通过分解总效应为可解释的直接和间接成分，解决复杂系统中因果中介分析的扩展问题。
2026-11-02 cs.AI econ.EM stat.ME
Causal Structure Learning: a Combinatorial Perspective
在这篇综述中，我们讨论了从数据中学习因果结构的方法，也称为因果发现。特别是，我们专注于学习有向无环图（DAG）的方法和各种推广，允许一些变量在可用的数据中是不可观察的。我们特别关注因果结构学习的两个基本组合方面。首先，我们讨论了因果图上的搜索空间的结构。其次，我们讨论了因果图上等价类的结构，即，一组图表，表示可以单独从观察数据中学习到的内容，以及如何通过添加干预数据来细化这些等价类。
2022-12-19 cs.LG stat.ME
Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models
Elmore Family School of Electrical and Computer Engineering（埃尔莫尔家族电气与计算机工程学院）；Purdue University（普渡大学）
该研究针对潜在因果变量不可观测场景下的反事实估计难题，聚焦域反事实查询，通过假设干预可逆性与稀疏性推导误差界，提出带约束的生成式估计算法，在模拟与图像实验中优于基线方法。
2024-04-13 cs.LG stat.ME
Efficient least squares for estimating total effects under linearity and causal sufficiency
递归线性结构方程模型被广泛用于假设观测数据背后的因果机制。在这些模型中，每个变量等于剩余变量的子集加上误差项的线性组合。当不存在未观察到的混杂或选择偏倚时，假设误差项是独立的。我们考虑在这种情况下估计总的因果效应。因果结构被假定为已知的最大定向部分有向无环图（MPDAG），一般类的图形，可以表示马尔可夫等价类的有向无圈图（DAG）与添加的背景知识。我们提出了一个简单的估计基于递归最小二乘法，它可以一致地估计任何确定的总的因果效应，在点或联合干预。我们表明，这种估计是最有效的所有定期估计的基础上的样本协方差，其中包括协变量调整和估计采用联合IDA算法。值得注意的是，我们的结果在没有假设高斯误差的情况下成立。
2022-03-17 math.ST stat.ME stat.TH
Nonparametric causal effects based on incremental propensity score interventions
因果推断中的大多数工作考虑确定性干预，将每个单元的处理设置为某个固定值。然而，在积极性违规的情况下，这些干预措施可能会导致不识别，效率低下，并且几乎没有实际意义。此外，纵向研究中的相应效应对维度灾难高度敏感，导致广泛使用不切实际的参数模型。我们提出了一个新的解决方案，这些问题：增量干预，改变倾向得分值，而不是设置治疗固定值。渐进式干预有几个关键优势。首先，他们完全避免积极的假设。第二，他们不需要参数假设，但仍然承认一个简单的纵向效应的表征，独立于时间点的数量。例如，它们允许用单个曲线而不是系数列表来可视化纵向效应。在描述这些增量干预措施并给出相应效果的识别条件后，我们还开发了一般效率理论，提出了有效的非参数估计，即使在结合灵活的机器学习时也可以达到快速收敛速度，并提出了基于Bootstrap的置信带和无处理效应的同时检验。最后，我们通过模拟探索有限样本的性能，并应用该方法来研究时变社会学的监禁对进入婚姻的影响。
2018-06-18 stat.ME
Recoverability of Causal Effects under Presence of Missing Data: a Longitudinal Case Study
针对CHAPAS-3试验中HIV儿童纵向研究的多变量缺失数据问题，研究通过分析三个合理缺失有向无环图（m-DAG）的可恢复性，提出“闭合缺失机制”，发现可用案例分析可优于多重插补，强调图结构对可恢复性的敏感性。
2024-10-18 stat.ME
Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
University of Southern California（南加州大学）；University of California, Davis（加利福尼亚大学戴维斯分校）
本文针对混合数据类型（有序与指数族）的因果图识别问题，证明了边方向的可识别性，并提出了基于评分搜索和DAGMA优化的算法，实验验证了其有效性。
2026-09-18 cs.LG stat.ME stat.ML
