MR.RGM: An R Package for Fitting Bayesian Multivariate Bidirectional Mendelian Randomization Networks
本文开发了开源R包MR.RGM，基于贝叶斯互逆图模型实现多变量双向孟德尔随机化，克服传统方法仅考虑单一暴露-结果对的局限，构建包含循环/互逆因果的整体因果网络，为复杂生物系统提供全面理解。
2024-10-23 stat.AP
SelectionBias: An R Package for Bounding Selection Bias in Causal Estimands
本文介绍R包SelectionBias，用于计算因果风险比和风险差异的选择偏倚界限，包含多种界限方法，并通过模拟数据示例展示其应用及与EValue包的比较。
2026-09-28 stat.ME
Uplift Regression: The R Package tools4uplift
持续性建模旨在通过考虑对治疗的反应来预测诸如医疗或营销活动等行为对特定个体的因果影响。治疗组包含受某项行动影响的个人;对照组用于比较。非线性建模用于相对于因果效应的值对个体进行排序，例如，积极、中立或消极。虽然有一些计算方法可用于隆升建模，但大多数都排除了统计回归模型。R Package tools 4lift旨在填补这一空白。该软件包包括用于以下的工具：i）量化，ii）可视化，iii）特征选择，iv）参数估计和v）模型验证。
2021-09-10 stat.AP
WMAP: An R Package for Causal Meta-Analysis by Integrating Multiple Observational Studies
Dartmouth College（达特茅斯学院）；University of Waterloo（滑铁卢大学）；University of California, Los Angeles（加州大学洛杉矶分校）；University of Michigan（密歇根大学）
R包WMAP通过三种加权方法整合多项观察性研究进行因果荟萃分析，填补了数据整合与因果推断的空白，并在统一框架内最大化有效样本量。
2026-10-14 stat.ME
Causality-based Feature Selection: Methods and Evaluations
Hefei University of Technology（合肥工业大学）；University of South Australia（南澳大学）；Mininglamp Academy of Sciences, Mininglamp Technology（明略科技明略科学院）
特征选择是数据分析和机器学习中至关重要的预处理步骤。经典的特征选择算法基于预测特征和类变量之间的相关性来选择特征，并且不尝试捕获它们之间的因果关系。它已被证明，知识之间的因果关系的功能和类变量有潜在的好处，建立可解释的和强大的预测模型，因为因果关系意味着一个系统的基本机制。因此，基于容差的特征选择逐渐引起人们的关注，并提出了许多算法。在本文中，我们提出了一个全面的审查最近的进展，基于腔的特征选择。为了促进该研究领域新算法的开发，并使新方法与现有方法之间的比较变得容易，我们开发了第一个开源软件包，称为Cairns FS，其中包括大多数代表性的基于计算能力的特征选择算法（可在https：//github.com/kuiy/Cairns FS上获得）。使用CauseFS，我们进行了广泛的实验，比较具有代表性的算法与合成和真实世界的数据集。最后，我们讨论了未来基于容差的特征选择研究中需要解决的一些挑战性问题。
2019-11-17 cs.AI cs.LG stat.ML
gfoRmula: An R package for estimating effects of general time-varying treatment interventions via the parametric g-formula
研究人员通常对使用纵向数据来估计假设的随时间变化的治疗干预对未来结果的平均值或风险的因果效应感兴趣。当随时间变化的混杂因素本身受到既往治疗的影响时，用于混杂控制的标准回归/条件处理方法通常无法恢复因果效应。在这种情况下，如果测量了足够的协变量，以控制未测量风险因素的混杂，则从罗宾斯g公式导出的估计值可能恢复随时间变化的处理效应。软件包gfoRmula在R中实现了一个这样的估计：参数g公式。该估计器可轻松适应二元或连续时变治疗，以及由静态或动态、确定性或随机治疗干预定义的对比，以及取决于治疗自然值的干预。该软件包可容纳生存结局以及随访结局的二元或连续结束。对于生存结局，包装有不同的选项来处理竞争事件。本文介绍了gfoRmula包，以及激励背景，功能和示例。
2019-10-29 stat.CO
Structural Intervention Distance (SID) for Evaluating Causal Graphs
因果推断依赖于图的结构，通常是有向无环图（DAG）。不同的图形可能导致不同的因果推断陈述和不同的干预分布。为了量化这种差异，我们提出了一个（前）DAG之间的距离，结构干预距离（SID）。SID仅基于图形标准，并根据其相应的因果推断陈述量化两个DAG之间的接近度。因此，它非常适合评估用于计算干预的图形。代替DAG，也可以比较CPDAG，表示马尔可夫等价类的完全部分有向无环图。由于它与流行的结构汉明距离（SHD）有很大的不同，SID构成了一个有价值的附加测量。我们讨论这个距离的属性，并提供了一个有效的实现与第一作者的主页上提供的软件代码（R包正在建设中）。
2014-04-07 stat.ML
shapr: Explaining Machine Learning Models with Conditional Shapley Values in R and Python
Norwegian Computing Center（挪威计算中心）；University of Oslo（奥斯陆大学）；Indicio Technologies（Indicio科技公司）
shapr通过条件Shapley值方法，在R和Python中提供预测模型解释工具，增强模型可解释性。
2026-02-02 cs.LG stat.CO
Identifying Counterfactual Queries with the R Package cfid
本文介绍了 R 包 cfid，它实现了 Shpitser 和 Pearl 提出的 ID* 和 IDC* 算法，用于从观察和实验数据中识别结构因果模型框架下的反事实查询和条件反事实查询。
2023-11-22 stat.ME
N$^2$: A Unified Python Package and Test Bench for Nearest Neighbor-Based Matrix Completion
Cornell University（康奈尔大学）；Columbia University（哥伦比亚大学）；University of Pennsylvania（宾夕法尼亚大学）
本文提出N²，一种统一的Python包和测试平台，用于基于最近邻的矩阵补全，展示了新的NN变体和现实世界数据集的基准测试，证明NN方法在现实应用中的优越性。
2026-09-15 cs.LG stat.CO stat.ML
A note on efficient minimum cost adjustment sets in causal graphical models
Glovo（Glovo公司）；Universidad Torcuato Di Tella（托尔夸托迪特利亚大学）；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
我们研究了调整集的选择，估计干预下的个性化治疗规则的平均值。我们假设一个非参数的因果图模型，可能，隐藏变量和至少一个调整集组成的可观察变量。此外，我们假设可观察变量具有与之相关的正成本。我们定义的可观察调整集的成本作为组成它的变量的成本之和。我们表明，在这种设置中存在的调整集是最小成本最优的，在这个意义上说，他们产生的干预平均值的非参数估计与最小的渐近方差之间的控制可观察调整集，具有最小的成本。我们的结果是基于一个特殊的流网络与原始的因果图的建设。我们证明，可以通过计算网络上的最大流来找到最小成本最优调整集，然后通过增加路径来找到从源可到达的顶点集。optimaladj Python包实现了本文介绍的算法。
2022-01-06 cs.LG math.ST stat.ML
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
Università Cattolica del Sacro Cuore（天主教圣心大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
有向无环图（DAG）提供了一个强大的框架来模拟多变量环境中变量之间的因果关系;此外，通过do-calculus理论，它们允许从纯观测数据中识别和估计变量之间的因果关系。在这种情况下，从数据中推断DAG结构的过程被称为因果结构学习或因果发现。我们介绍了BCDAG，一个用于贝叶斯因果发现和高斯观测数据因果效应估计的R包，实现了Castelletti和Mascaro（2021）提出的马尔可夫链蒙特卡罗（MCMC）方案。我们的实现可以有效地扩展观测的数量，并且只要DAG足够稀疏，就可以扩展数据集中的变量数量。该软件包还提供了收敛诊断和可视化和总结后验推理的功能。在本文中，我们提出了基本方法的主要特点，以及其在BCDAG中的实现。然后，我们说明了真实和模拟数据集上的主要功能和算法。
2022-01-28 cs.LG stat.ME stat.ML
Evaluation Methods and Measures for Causal Learning Algorithms
City University of Hong Kong（香港城市大学）；Arizona State University（亚利桑那州立大学）
对丰富的多方面数据的方便访问鼓励了机器学习研究人员重新考虑基于相关性的学习，并拥抱基于随机性的学习的机会，即，因果机器学习（因果学习）。因此，近年来在开发因果学习算法方面做出了巨大努力，旨在帮助AI实现人类水平的智能。由于缺乏真实数据，当前因果学习研究的最大挑战之一是算法评估。这在很大程度上阻碍了人工智能和因果推理的交叉授粉，并阻碍了这两个领域从另一个领域的进步中受益。从传统的因果推理（即，基于统计方法）到利用大数据的因果学习（即，因果推理和机器学习的交叉点），在本调查中，我们使用类似于传统机器学习的评估管道，回顾了因果学习的常用数据集、评估方法和度量。我们专注于两个基本的cabinet推理任务和cabinet感知的机器学习任务。目前的评价程序的局限性进行了讨论。然后，我们研究流行的因果推理工具/包，并得出结论，在大数据时代的基准因果学习算法的主要挑战和机遇。该调查旨在将开发公开可用的基准和建立共识标准的紧迫性放在首位，以便利用观测数据进行因果学习评估。通过这样做，我们希望扩大讨论范围，促进合作，以推动因果学习的创新和应用。
2022-02-07 cs.AI cs.LG stat.ME
Quantitative probing: Validating causal models using quantitative domain knowledge
ams OSRAM Group（ams OSRAM集团）；University of Regensburg（雷根斯堡大学）
本文提出模型无关的 quantitative probing 框架，利用定量领域知识验证因果模型，并通过示例与模拟评估其效果、局限及改进方向。
2022-09-07 cs.LG stat.ME
genriesz: A Python Package for Automatic Debiased Machine Learning with Generalized Riesz Regression
genriesz是一个基于广义里斯茨回归的Python包，通过自动去偏机器学习实现因果参数的高效估计。
2026-02-19 cs.LG econ.EM math.ST
Model-based causal feature selection for general response types
本文提出基于变换模型的 ICP 方法，通过 TRAM-GCM 和 TRAM-Wald 不变性检验，将因果特征选择扩展到连续、分类、计数及删失响应，并提供 R 包 tramicp 验证其有效性。
2024-07-08 math.ST stat.ME stat.ML
Towards Causal Deep Learning for Vulnerability Detection
Iowa State University（爱荷华州立大学）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
本文提出CausalVul方法，通过扰动发现虚假特征并结合do演算因果学习，在深度学习漏洞检测中提升模型准确率、鲁棒性与分布外泛化能力。
2024-01-15 cs.CR cs.LG cs.SE
Causal Discovery Toolbox: Uncover causal relationships in Python
本文提出了一个新的开源Python框架，用于从观测数据和领域背景知识中发现因果关系，旨在建立因果图和因果机制模型。'cdt'包实现了端到端的方法，恢复变量之间的直接依赖关系（因果图的骨架）和因果关系。它包括来自'Bnlearn'和'Pcalg'包的算法，以及用于成对因果发现的算法，如ANM。'cdt'在https://github.com/Diviyan-Kalainathan/CausalDiscoveryToolbox的MIT许可下可用。
2019-03-06 stat.CO stat.ML
Framework for inferring empirical causal graphs from binary data to support multidimensional poverty analysis
National Electronics and Computer Technology Center (NECTEC)（国家电子与计算机技术中心（NECTEC））；NSTDA（泰国国家科学技术发展局）
提出一个从二元数据推断经验因果图的框架，用于多维贫困分析，在模拟和真实数据中表现优于基线，并发现吸烟与饮酒的因果关系。
2023-04-27 cs.CY cs.LG cs.SI
Temporal orders and causal vector for physiological data analysis
除了全球参数和时间序列为基础的方法，生理分析应构成一个本地的时间，特别是当分析数据的协议段。因此，我们介绍了R包实现时间顺序的因果向量（CV）的估计。它可以使用线性建模或时间序列距离。该算法进行了测试的心肺数据，包括潮气量和速度描记图曲线，从优秀运动员（仰卧和站立，在静态条件下）和对照组（不同的速率和呼吸深度，而仰卧）。我们检查了CV与体位或呼吸方式之间的关系。呼吸频率对CV的影响大于深度。当呼吸减慢时，血流速度描记图曲线相对更早于潮气量。临床相关性-该方法可以评估（1）两个信号之间的关系，两个信号中的一个在给定范围内时移，（2）最佳信号间偏移的曲线，以及（c）它们随时间的稳定性;也用于其他生理研究。
2020-04-27 stat.AP
Pricing Engine: Estimating Causal Impacts in Real World Business Settings
我们引入定价引擎包，以便在一般面板数据设置中使用双ML估计技术。自定义允许用户指定第一阶段模型、第一阶段特征化、第二阶段治疗选择和第二阶段脑血管建模。我们还引入了一个DynamicDML类，允许用户在一系列导联中生成动态治疗感知预测，并了解预测将如何随因果估计的治疗参数而变化。定价引擎基于Python 3.5构建，可以在Azure ML环境中运行，只需添加几个Python包。本说明提供了对双ML方法的高层次讨论，描述了包的预期用途，并包括一个示例的Java笔记本，演示了对一些公开可用数据的应用。可在$\href{https://github.com/bquistorff/pricingengine}{github.com/bquistorff/pricingengine}$上获得软件包安装和其他技术文档。
2018-06-12 econ.EM stat.ML
Recursive Causal Discovery
School of Computer and Communication Sciences（计算机与通信科学学院）；EPFL（洛桑联邦理工学院）；College of Management of Technology（管理技术学院）
本文提出递归因果发现框架，利用可移除变量逐步缩减问题规模，降低条件独立性检验错误与数量，并发布Python包RCD，性能接近理论下界。
2024-03-14 cs.LG stat.ML
causalfe: Causal Forests with Fixed Effects in Python
Amazon Web Services（亚马逊云服务）
causalfe通过Python实现带有固定效应的因果森林，解决面板数据中处理效应估计的异质性问题，通过残差化技术提升估计精度。
2026-01-15 econ.EM stat.ML
Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
Texas A&M University（德州农工大学）
定量数据的因果发现已经被广泛研究，但对分类数据的研究较少。我们提出了一种新的因果模型的分类数据的基础上，一个新的分类模型，称为分类与最佳标签排列（COLP）。通过设计，COLP是一个简约的分类器，它产生了一个可证明可识别的因果模型。通过比较因果模型和反因果模型的似然函数的简单学习算法足以学习因果方向。通过与合成和真实数据的实验，我们证明了所提出的基于COLP的因果模型的良好性能相比，国家的最先进的方法。我们还提供了一个随附的R包COLP，其中包含拟议的因果发现算法和分类因果对的基准数据集。
2022-12-11 cs.LG stat.ME stat.ML
gCastle: A Python Toolbox for Causal Discovery
Noah’s Ark Lab, Huawei Technologies（华为技术有限公司诺亚方舟实验室）；University of Toronto（多伦多大学）
$\texttt{gCastle}$是一个用于因果结构学习的端到端Python工具箱。它提供了从模拟器或真实世界数据集生成数据，从数据中学习因果结构，并评估学习的图形的功能，以及有用的实践，如先验知识插入，初步邻域选择和后处理以消除错误发现。与相关软件包相比，$\texttt{gCastle}$包括许多最近开发的基于梯度的因果发现方法，并具有可选的GPU加速。$\texttt{gCastle}$为直接使用代码进行实验的研究人员以及受图形用户干扰的从业人员带来了方便。目前的版本还提供了电信领域的三个真实世界数据集。$\texttt{gCastle}$可在\url{https://github.com/huawei-noah/trustworthyAI/tree/master/gcastle}的Apache许可证2.0下获得。
2021-11-30 cs.LG stat.ML
Simplifying Probabilistic Expressions in Causal Inference
University of Jyvaskyla（于韦斯屈莱大学）
获得介入分布的非参数表达式是因果推断中最基本的任务之一。这样的表达式可以通过算法或do演算的手动应用获得可识别的因果效应。通常，当涉及到缺失数据或测量误差时，我们会得到一个复杂的表达式，这可能导致有偏差或效率低下的估计。我们提出了一个自动简化算法，旨在消除符号不必要的变量，从这些表达式的基础图形模型的结构的优势。我们的方法适用于所有因果效应公式，并且在R包causaleffect中随时可用。
2018-06-19 cs.AI cs.LG stat.ML
Learning Large-Scale Bayesian Networks with the sparsebn Package
University of California Los Angeles（加州大学洛杉矶分校）
从数据中学习图形模型是一个重要的问题，具有广泛的应用，从基因组学到社会科学。如今的数据集通常有上千个--有时是数万或数十万个--变量和更少的样本。为了应对这一挑战，我们开发了一个新的R包，称为sparsebn，用于学习大型稀疏图形模型的结构，重点是贝叶斯网络。虽然有许多现有的软件包用于此任务，但此软件包侧重于从高维数据中学习大型网络的独特设置，可能需要干预。因此，所提供的方法在高维环境中重视可伸缩性和一致性。此外，在存在干预措施的情况下，这里实施的方法实现了从数据中学习因果网络的目标。此外，sparsebn软件包与现有的网络分析软件包完全兼容。
2018-03-10 cs.LG stat.CO stat.ME
Order-independent constraint-based causal structure learning
ETH Zurich（苏黎世联邦理工学院）
我们考虑基于约束的因果结构学习方法，例如PC-，FCI-，RFCI-和CCD-算法（Spirtes等人（2000，1993），Richardson（1996），Colombo等人（2012），Claassen等人（2013））。所有这些算法的第一步由PC算法组成。已知该算法是依赖于顺序的，在这个意义上，输出可以依赖于给定变量的顺序。这种顺序依赖性在低维设置中是一个小问题。然而，我们表明，它可以在高维设置中非常明显，在那里它可以导致高度可变的结果。我们提出了几个修改的PC算法（因此也是其他算法），删除部分或全部的顺序依赖。所有提出的修改是一致的，在高维设置下，在相同的条件下，他们原来的同行。我们比较PC，FCI和RFCI算法和它们的修改在模拟研究和酵母基因表达数据集。我们表明，我们的修改产生类似的性能在低维设置和高维设置中的性能提高。所有软件都在R-package pcalg中实现。
2013-09-27 cs.LG stat.ML
fairadapt: Causal Reasoning for Fair Data Pre-processing
ETH Zürich（苏黎世联邦理工学院）
机器学习算法对于各种预测任务都很有用，但它们也可以学习如何根据性别、种族或其他敏感属性进行区分。这一认识催生了公平机器学习领域，其目的是衡量和减轻这种算法偏见。这篇手稿描述了R-包fairadapt，它实现了因果推理预处理方法。通过使用因果图模型和观察到的数据，该方法可以用来解决以下形式的假设问题：“如果我是不同的性别/种族，我的工资会是多少？".这种个人层面的反事实推理有助于消除歧视，并有助于证明公平的决定。我们还讨论了适当的放松，假设从敏感属性到结果的某些因果途径不是歧视性的。
2021-10-19 cs.AI cs.CY cs.LG
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
algcomparison: Comparing the Performance of Graphical Structure Learning Algorithms with TETRAD
在这份报告中，我们描述了一个工具，比较性能的图形因果结构学习算法实现的TETRAD免费套件的因果分析方法。目前，该工具可作为TETRAD源代码（用Java编写）中的包使用。模拟可以通过改变运行次数、样本量和数据形态来完成。然后，可以比较多个算法在该模拟数据上的性能，其中参数变化并且具有所选择的性能统计，从而产生可验证的报告。这里介绍的包也可以用于比较跨平台和编程语言的结构学习方法，即，比较TETRAD中实现的算法与MATLAB、Python或R中实现的算法。
2020-07-13 stat.CO stat.ML
Adjustment Identification Distance: A gadjid for Causal Structure Learning
School of Mathematics and Statistics, University College Dublin（都柏林大学学院数学与统计学院）；Pioneer Centre for AI, University of Copenhagen（哥本哈根大学人工智能先锋中心）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
针对现有图差异评估指标无法反映因果效应识别差异的问题，研究提出构建因果距离的框架，基于此开发调整类距离及扩展，设计高效算法并在gadjid包中实现，速度更快且适配更大规模图。
2024-07-11 cs.LG stat.ME stat.ML
Discovery of non-gaussian linear causal models using ICA
HIIT Basic Research Unit（赫尔辛基信息技术研究所基础研究单元）；University of Helsinki（赫尔辛基大学）；Osaka University（大阪大学）
近年来，已经提出了几种方法来从非实验数据中发现因果结构（Spirtes et al. 2000; Pearl 2000）。此类方法对数据生成过程做出各种假设，以便于从纯粹的观测数据中识别它。继续这条研究路线，我们展示了如何发现连续值数据的完整因果结构，假设（a）数据生成过程是线性的，（b）没有未观察到的混杂因素，（c）干扰变量具有非零方差的非高斯分布。该解决方案依赖于使用被称为独立成分分析（ICA）的统计方法，并且不需要任何预先指定的变量时间排序。我们提供了一个完整的Matlab软件包来执行这种LiNGAM分析（线性非高斯非循环模型的缩写），并使用人工生成的数据证明了该方法的有效性。
2012-07-04 cs.LG cs.MS stat.ML
Ordinal Causal Discovery
纯观测的分类数据的因果发现是一个长期存在的挑战性问题。与连续数据不同，绝大多数现有的分类数据方法只关注于推断马尔可夫等价类，这使得某些因果关系的方向无法确定。本文提出了一种可识别的序数因果发现方法，利用包含在许多现实世界中的应用程序，以唯一地识别因果结构的序数信息。所提出的方法是适用于超越有序数据通过数据离散化。通过真实世界和合成实验，我们证明了所提出的顺序因果发现方法结合简单的得分和搜索算法具有良好的和强大的性能相比，国家的最先进的替代方法在有序分类和非分类数据。附带的R包OrdCD可以在CRAN和https://web.stat.tamu.edu/~yni/files/OrdCD_1.0.0.tar.gz上免费获得。
2022-12-17 stat.ME stat.ML
A Tutorial on Doubly Robust Learning for Causal Inference
本教程讲解结合倾向评分与结果建模的双重稳健学习，并通过 EconML 和模拟案例降低其在观测数据因果推断中的使用门槛。
2024-07-08 cs.LG math.ST stat.ME
Honesty in Causal Forests: When It Helps and When It Hurts
Hong Kong University of Science and Technology（香港科技大学）
本文通过偏差-方差权衡分析，发现诚实估计（分割数据用于子组定义和效应估计）在异质性较强且数据充足时会降低个体处理效应估计精度，建议将其视为正则化手段而非默认选择。
2026-07-20 cs.LG stat.ML
Bayesian Discovery of Linear Acyclic Causal Models
Helsinki Institute for Information Technology（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）
从非干预性数据中自动发现因果关系的方法最近受到了广泛关注。线性非循环因果模型（递归结构方程模型）是一种广泛使用且易于理解的模型族。对于高斯数据，两种基于约束的方法（Spirtes等人，一九九三年; Pearl，2000年）（输出一个单一的等价类）和基于贝叶斯评分的方法（Geiger和Heckerman，1994年）（为等价类分配相对评分）。相反，能够利用数据中的非高斯性的所有当前方法（Shimizu等人，2006; Hoyer等人，2008）总是只返回一个图或一个等价类，因此根本无法表达输出的确定性程度。在本文中，我们开发了一个贝叶斯评分为基础的方法，能够利用非高斯估计线性非循环因果模型时，我们的经验表明，至少在非常适度的规模的网络，其准确性是一样好或优于现有的方法。我们提供了一个完整的代码包（在R），实现所有的算法，并执行所有的分析提供的文件，并希望这将进一步应用这些方法来解决因果推断问题。
2012-05-09 cs.LG stat.ME stat.ML
Leveraging Generative Artificial Intelligence for Causal Inference with Unstructured Data
Harvard University（哈佛大学）；John F. Kennedy School of Government（约翰·F·肯尼迪政府学院）
研究人员提出GPI统计框架，利用开源GenAI模型提取非结构化数据的低维表示，无需微调生成模型，通过三个应用验证其可用于因果与预测推断，开源软件包可实现该框架。
2026-08-18 cs.LG stat.ME stat.ML
The Causal Chambers: Real Physical Systems as a Testbed for AI Methodology
ETH Zürich（苏黎世联邦理工学院）；Seminar for Statistics（统计研讨会）
本文构建了名为causal chambers的计算机控制物理实验设备，能低成本生成真实物理系统数据集，为因果发现、分布外泛化等AI方法提供真实测试台，并开源软硬件与数据。
2024-08-26 cs.AI cs.LG stat.ME
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
Causal Effect Identification from Multiple Incomplete Data Sources: A General Search-based Approach
University of Jyvaskyla（于韦斯屈莱大学）；University of Helsinki（赫尔辛基大学）
因果效应识别考虑是否可以在没有来自测量的源分布和生成系统的结构知识的参数假设的情况下唯一地确定干预性概率分布。虽然完整的图形标准和程序存在许多识别问题，仍然有挑战性的，但重要的扩展，没有被认为是在文献中。为了解决这些新的设置，我们提出了一个搜索算法直接在做演算的规则。由于do-calculus的一般性，搜索能够考虑更先进的数据生成机制以及任意类型的观测和实验源分布。通过一个启发式和搜索空间减少技术的搜索增强。这种方法，称为做搜索，是可证明的声音，它是完整的可识别性问题，已被证明是完全由做演算的特点。当使用附加规则进行扩展时，搜索也能够处理缺失数据问题。通过多功能搜索，我们能够处理新的问题，如组合的可移植性和选择偏差，或选择偏差的多个来源。我们进行了系统的分析，双变量缺失数据问题和研究因果推断下的病例对照设计。我们还介绍了R包dosearch，它提供了一个接口的C++实现的搜索。
2021-08-27 cs.AI cs.LG stat.ML
Causal discovery under a confounder blanket
University College London（伦敦大学学院）
从观测数据中推断因果关系很少是直截了当的，但在高维中这个问题尤其困难。对于这些应用，因果发现算法通常需要参数限制或极端稀疏约束。我们放松这些假设，并专注于一个重要的，但更专业的问题，即恢复的因果顺序之间的子图的变量已知下降从一些（可能是大）的一组混杂协变量，即$\textit{confounder blanket}$。这在许多情况下是有用的，例如当研究具有提供背景信息的遗传数据的动态生物分子子系统时。根据一个结构性的假设称为$\textit{confounder blanket principle}$，我们认为这是必不可少的易于处理的因果发现在高维，我们的方法可容纳低或高稀疏性的图形，同时保持多项式时间复杂度。我们提出了一个结构学习算法，这是可证明的声音和完整的一个所谓的$\textit{lazy oracle}$。我们设计了线性和非线性系统的有限样本误差控制的推理程序，并在一系列模拟和真实世界的数据集上展示了我们的方法。附带的$\texttt{R}$包$\texttt{cbl}$可从$\texttt{CRAN}$获得。
2022-06-28 cs.AI stat.ME stat.ML
DoubleML -- An Object-Oriented Implementation of Double Machine Learning in R
University of Hamburg（汉堡大学）；Technical University of Munich（慕尼黑工业大学）；Massachusetts Institute of Technology（麻省理工学院）
R包DoubleML实现了双重机器学习框架，结合Neyman正交性、高质量ML估计与样本分割，支持多种因果模型推断，具有高度灵活性与可扩展性。
2024-06-05 cs.LG econ.EM 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
Causal Inference with the Napkin Graph
Emory University（埃默里大学）；Shanghai Jiao Tong University（上海交通大学）
研究Napkin图这一因果结构，通过两个g-公式的非标准比率识别平均处理效应，开发基于影响函数的双稳健估计量，并利用Verma约束建立半参数效率理论。
2026-06-26 stat.ME stat.ML
disco: Distributional Synthetic Controls
Emory University（埃默里大学）；University of Virginia（弗吉尼亚大学）
研究利用观测数据评估政策变化因果效应时，介绍迪斯科命令实现分布合成控制方法，能为处理单元构建合成分布，提供多种汇总方案、推断程序及可视化功能，还通过复制实证说明其使用。
2026-07-14 econ.EM stat.ME stat.ML
