Relational Causal Discovery with Latent Confounders
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Pinterest, Inc.（Pinterest公司）；Adobe Research（Adobe研究）
针对关系数据中存在潜在混杂因子的因果发现问题，提出可靠且完备的算法 RelFCI，基于 FCI 和 RCD 定义新图模型，并在理论和实验上验证了其有效性。
2025-11-03 cs.AI cs.LG
Estimating Granger Causality with Unobserved Confounders via Deep Latent-Variable Recurrent Neural Network
Granger因果分析作为最流行的时间序列因果分析方法之一，在经济学、神经科学等领域得到了广泛的应用。然而，未观察到的混杂因素是观察性研究中的一个基本问题，非线性Granger因果关系仍然没有解决。应用工程中经常借助代理变量来处理这个问题，代理变量可以被看作是噪声干扰的度量。但代理变量已被证明是不可靠的，因为它可能会引起偏见。在本文中，我们试图“恢复”格兰杰因果关系的未观察到的混杂因素。我们使用一个带有潜变量的生成模型来建立未观察到的混杂因素与观察到的变量（测试变量和代理变量）之间的关系。该方法采用隐变量的后验分布来表征混杂因素的分布，并对该分布进行采样，得到混杂因素的估计值。我们采用变分自编码器来估计难以处理的后验分布。循环神经网络被应用于建立数据中的时间关系。我们在合成和半合成数据集上评估了我们的方法。结果表明，在半合成数据集上，我们估计的混杂变量在多代理变量的非线性Granger因果关系中具有更好的性能。但是，合成数据集的性能和代理的不同噪声水平似乎很糟糕。任何建议都可以真正帮助。
2019-09-09 cs.LG stat.ML
Causal Calculus in the Presence of Cycles, Latent Confounders and Selection Bias
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们证明了因果演算（也称为do-calculus）的I/O结构因果模型（ioSCM），最近提出的一般类的非线性结构因果模型，允许周期，潜在的混淆和任意概率分布的推广的主要规则。我们还推广调整标准和公式从非循环设置到一般的（即ioSCM）。这样的标准，然后允许估计（条件）的因果关系的影响，从观察数据（部分）收集的选择偏差和周期。这将后门标准、选择后门标准和这些标准的扩展推广到任意ioSCM。总之，我们的研究结果，从而使因果推理的周期，潜在的混杂因素和选择偏见的存在。最后，我们扩展的ID算法的因果关系的识别ioSCM。
2019-07-03 cs.AI cs.LG stat.ME
Characterization of causal ancestral graphs for time series with latent confounders
German Aerospace Center（德国航空航天中心）
该研究提出一类用于含未观测混杂因子的多变量时间序列的新型因果图模型，证明其为现有模型类的真子集，可在无额外假设下得出更强因果推断，且其马尔可夫等价类图形表示蕴含更丰富的因果知识。
2023-10-05 cs.AI cs.LG stat.ME
Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version)
HKUST（香港科技大学）；Microsoft Research（微软研究院）；Shanghai Jiao Tong University（上海交通大学）
针对潜在混杂因素下可微MAG学习难以扩展的问题，提出SPOT两阶段框架，通过SCL摊销推断骨架后验，并以其引导随机优化，从而缩小搜索空间并提升因果发现性能。
2024-06-15 cs.AI cs.LG stat.ML
Estimation of Individual Treatment Effect in Latent Confounder Models via Adversarial Learning
University of California, Los Angeles（加州大学洛杉矶分校）；University of Oxford（牛津大学）；University at Buffalo（布法罗大学）
从观察数据中估计个体治疗效果（ITE）在医学上是必不可少的。估计ITE的一个核心挑战是处理混杂因素，这些因素是影响干预及其结果的因素。大多数以前的工作依赖于unconfoundedness假设，假设所有的混杂因素都在观测数据中测量。但是，如果存在不可测量的（潜在的）混杂因素，则会引入混杂偏倚。幸运的是，潜在混杂因素的噪声代理通常是可用的，并且可以用于对ITE进行无偏估计。在本文中，我们开发了一种新的对抗性学习框架，使用噪声代理对ITE进行无偏估计。
2018-11-21 cs.LG stat.ML
Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
Causal Inference using Gaussian Processes with Structured Latent Confounders
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）；Massachusetts Institute of Technology（麻省理工学院）
潜在混杂因素-影响治疗和结果的未观察到的变量-可以使因果效应的估计产生偏差。在某些情况下，这些混杂因素在观察中是共享的，例如，除了他们单独接受的任何教育干预外，所有参加课程的学生都受到课程难度的影响。本文介绍了如何半参数模型的潜在混杂因素，具有这种结构，从而提高因果效应的估计。关键的创新是一个分层贝叶斯模型，高斯过程与结构化的潜在混杂因素（GP-SLC），和一个蒙特卡罗推理算法，该模型的基础上，椭圆切片采样。GP-SLC提供了个体处理效应的原则性贝叶斯不确定性估计，对与混杂因素、协变量、治疗和结局相关的函数形式进行了最小假设。最后，本文表明，GP-SLC是竞争力或更准确的比广泛使用的因果推断技术的三个基准数据集，包括婴儿健康与发展计划和数据集显示的影响，不断变化的温度对全州的能源消耗在新英格兰。
2020-07-14 cs.LG stat.ME stat.ML
Causal Estimation with Functional Confounders
New York University（纽约大学）；Columbia University（哥伦比亚大学）
因果推断依赖于两个基本假设：可解释性和积极性。我们研究因果推断时，真正的混杂值可以表示为一个函数的观察数据，我们称之为设置估计与功能性混杂（EFC）。在这种情况下，可解释性得到了满足，但肯定性被违反了，一般来说，因果推断是不可能的。我们考虑两种情况下的因果关系是可估计的。首先，我们讨论干预的一部分，称为功能性干预和充分条件，这些干预措施的效果估计称为功能性积极性。第二，我们开发的非参数效应估计的基础上的梯度场的功能混淆和真正的结果函数的条件。为了估计这些条件下的效果，我们开发了水平集正交下降估计（LODE）。此外，我们证明LODE的效果估计的误差范围，评估我们的方法模拟和真实的数据，并实证证明EFC的价值。
2021-02-17 cs.LG stat.ME stat.ML
Provable Guarantees and Efficient Learning of Structural Equation Models with Latent Confounders
The University of Melbourne（墨尔本大学）
本文提出一种迭代识别终端节点并重构观测变量有向无环图的算法，通过稀疏加低秩分解精度矩阵处理潜在混杂变量，并给出样本复杂度保证，实验验证了理论结果。
2026-09-17 cs.LG stat.ML
Iterative Causal Discovery in the Possible Presence of Latent Confounders and Selection Bias
Intel Labs（英特尔实验室）
我们提出了一个健全的和完整的算法，称为迭代因果发现（ICD），恢复因果图中存在潜在的混杂因素和选择偏差。ICD依赖于因果马尔可夫和忠实性假设，并恢复基本因果图的等价类。它从一个完整的图开始，由一个迭代阶段组成，该阶段通过识别连接节点之间的条件独立性（CI）来逐渐细化该图。在任何迭代之后所需要的独立性和因果关系是正确的，从而在任何时候都呈现ICD。本质上，我们将CI条件集的大小与其在图上与测试节点的距离联系起来，并在后续迭代中增加该值。因此，每次迭代都细化由具有较小条件集的先前迭代恢复的图-较高的统计功效-这有助于稳定性。我们根据经验证明，与FCI、FCI+和RFCI算法相比，ICD需要的CI测试明显更少，并且可以学习更准确的因果图（代码可在https：//github.com/IntelLabs/caibrity-lab获得）。
2022-01-17 cs.AI cs.LG stat.ME
Recovering Latent Confounders from High-dimensional Proxy Variables
Image Processing Laboratory (IPL)（图像处理实验室（IPL））；Parc Científic Universitat de València（瓦伦西亚大学科学公园）
本文提出代理混杂因子分解（PCF）框架，通过高维混合代理变量估计连续处理效应，消除了以往低维或有序代理变量限制，并在合成与气候数据上验证了其有效性。
2024-03-21 cs.LG stat.ML
Spectral Representation for Causal Estimation with Hidden Confounders
Georgia Tech（佐治亚理工学院）；Universitat Pompeu Fabra（庞培法布拉大学）；UT Austin（德克萨斯大学奥斯汀分校）；University College London（伦敦大学学院）；Google DeepMind（谷歌DeepMind）
本文提出一种基于条件期望算子奇异值分解与鞍点优化的因果估计方法，用于处理工具变量回归和代理因果学习中的隐藏混杂因素，并在多个基准上取得优于现有方法的效果。
2025-03-10 cs.LG stat.ML
Instrumental Variable Estimation for Causal Inference in Longitudinal Data with Time-Dependent Latent Confounders
University of South Australia（南澳大学）
针对纵向数据中潜在时变混杂因素导致的因果推断难题，提出基于RNN的时变工具因子模型TIFM，经理论分析与合成、真实数据集验证，可有效估计时变因果效应。
2023-12-12 cs.AI cs.LG stat.ME
CausalEGM: a general causal inference framework by encoding generative modeling
Stanford University（斯坦福大学）
虽然理解和表征因果效应在观察性研究中变得至关重要，但当混杂因素是高维时，这是具有挑战性的。在这篇文章中，我们开发了一个通用的框架$\textit{CausalEGM}$编码生成模型，可以应用于二进制和连续治疗设置估计因果关系的影响。在不混淆的潜在结果框架下，我们在高维混淆因素空间和密度已知的低维潜在空间（例如，多元正态分布）。通过这一点，CauseEGM同时消除了混杂因素对治疗和结果的依赖性，并将混杂因素映射到低维潜在空间。通过对低维潜在特征的调节，CauseEGM可以估计每个个体的因果效应或群体内的平均因果效应。理论分析表明，通过经验过程理论，可以对CauseEGM的超额风险进行限制。在编码器-解码器网络的假设下，可以保证估计的一致性。在一系列的实验中，CauseEGM表现出优于现有的方法，二进制和连续的治疗。具体而言，我们发现CauseEGM在大样本量和高维混杂因素的存在下比竞争方法更强大。CauseEGM软件可在https://github.com/SUwonglab/CausalEGM上免费获得。
2023-03-16 cs.LG stat.ML
FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东工业大学计算机学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；Pazhou Lab（琶洲实验室）；School of Mathematics and Big Data, Foshan University（佛山大学数学与大数据学院）
我们考虑的问题，估计一个特定类型的线性非高斯模型。不诉诸于过完备独立分量分析（ICA），我们表明，在一些温和的假设下，该模型是唯一确定的混合方法。我们的方法利用基于约束的方法和独立的基于噪声的方法来处理混杂和无混杂的情况下的优势。我们的方法的第一步使用FCI程序，它允许混淆，并能够产生渐近正确的结果。结果，不幸的是，通常确定非常少的无混淆的直接因果关系，因为只要有可能有一个混杂因素，它会表明it.The第二步，我们的程序中发现的无混淆的因果边缘之间的观察变量只有那些相邻的对FCI结果通知。通过利用所谓的Triad条件，第三步能够找到混杂因素及其与其他变量的因果关系。之后，如果需要的话，我们将ICA应用于一组非常小的图来识别剩余的因果关系。仿真数据和实际数据的实验验证了该方法的正确性和有效性。
2021-03-26 cs.LG stat.ML
Multiple Causal Inference with Latent Confounding
New York University（纽约大学）；Columbia University（哥伦比亚大学）
从观察数据中进行因果推断需要假设。这些假设的范围从测量混杂因素到识别工具。传统上，因果推断假设集中于估计单一治疗的效果。在这项工作中，我们构建技术，估计与多个治疗存在未观察到的混杂。我们开发了两个假设的基础上共享的混杂因素之间的治疗和治疗的独立性的混杂因素。总之，这些假设导致一个混杂估计正则化的互信息。对于这个估计，我们开发了一个易于处理的下界。为了恢复处理效应，我们在处理中使用独立于混杂因素的剩余信息。我们验证模拟和一个例子，从临床医学。
2019-03-01 cs.LG stat.ML
Causal GNNs: A GNN-Driven Instrumental Variable Approach for Causal Inference in Networks
University of South Australia（南澳大学）；Southwest Jiaotong University（西南交通大学）
针对网络因果推断中隐藏混杂因素导致估计偏差的问题，提出结合GNN与注意力机制、以网络结构为工具变量的CgNN方法，经真实数据集验证可有效减偏，提供鲁棒的网络因果推断框架。
2024-09-13 cs.LG stat.ML
LNML-based Causal Discovery with Latent Confounders: Theory and Experiments
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；Graduate School of Arts and Sciences, The University of Tokyo（东京大学文理研究生院）
研究非线性机制和潜在混杂因素下的因果发现难题，提出基于最小化运气归一化最大似然（LNML）码长的因果发现框架，用贪心算法确定变量对因果关系，能准确恢复因果关系并检测潜在混杂因素。
2026-11-03 cs.LG
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
On the Non-Monotonicity of a Non-Differentially Mismeasured Binary Confounder
Linköping University（林雪平大学）
假设我们感兴趣的是二元治疗对结果的平均因果效应，当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到，但它的非微分二元代理被观测到。我们确定的条件下，调整代理来更接近不可计算的真实平均因果效应比不调整。与其他作品不同，我们不假设混杂因素对结果的平均因果影响在治疗和未治疗之间是相同的方向。
2021-01-28 cs.LG stat.ME stat.ML
Causal discovery for time series with latent confounders
University of Stuttgart（斯图加特大学）
重建我们观察到的现象背后的因果关系是所有科学领域的一个基本挑战。在复杂的系统中，通过实验发现因果关系通常是不可行的、不道德的或昂贵的。然而，计算能力的提高使我们能够处理现代科学产生的不断增长的数据量，从而对从观测数据中发现因果关系的问题产生了新的兴趣。这项工作评估的LPCMCI算法，其目的是找到一个多维的，高度自相关的时间序列兼容的发电机，而一些变量是未观察到的。我们发现，LPCMCI比随机算法模仿不知道什么，但仍然是远离最佳检测性能好得多。此外，LPCMCI在自动依赖项上表现最好，然后是同期依赖项，并且在滞后依赖项上表现最差。这个项目的源代码可以在线获得。
2022-09-07 cs.LG stat.ML
Causal Inference with Noisy and Missing Covariates via Matrix Factorization
Cornell University（康奈尔大学）
观察性研究中有效的因果推断通常需要控制混杂因素。然而，在实践中，混杂因素的测量可能是嘈杂的，并可能导致因果效应的有偏估计。我们表明，我们可以减少测量噪声所造成的偏见，使用大量的噪声测量的潜在混杂因素。我们提出了使用矩阵分解来推断噪声协变量的混杂因素，这是一个灵活和原则性的框架，适用于缺失值，适应各种数据类型，并可以增强许多因果推断方法。我们对诱导的平均处理效应估计量的误差进行了限制，并使用指数族矩阵完备化预处理，证明了它在线性回归设置中是一致的。我们证明了所提出的方法的有效性，在数值实验与合成数据和真实的临床数据。
2018-06-03 cs.LG stat.ML
Causal Effect Inference with Deep Latent-Variable Models
University of Amsterdam（阿姆斯特丹大学）；TNO Intelligent Imaging（荷兰应用科学研究组织智能成像）；New York University（纽约大学）；CIMS（库朗数学科学研究所）；Massachusetts Institute of Technology（麻省理工学院）；CSAIL & IMES（计算机科学与人工智能实验室与医学工程与科学研究所）；University of Toronto（多伦多大学）；CIFAR（加拿大高等研究院）
从观察数据中学习个体水平的因果效应，例如推断对特定患者最有效的药物，对政策制定者来说是一个越来越重要的问题。从观察数据中推断因果效应的最重要方面是处理混杂因素，即影响干预及其结果的因素。一项精心设计的观察性研究试图测量所有重要的混杂因素。然而，即使不能直接获得所有混杂因素，也可能存在混杂因素代理的噪声和不确定测量。我们建立在潜变量模型的最新进展，同时估计未知的潜在空间总结的混杂因素和因果关系的影响。我们的方法是基于变分自编码器（VAE），遵循因果结构的推理代理。我们表明，我们的方法比现有的方法显着更强大，并匹配国家的最先进的集中在个人处理效应以前的基准。
2017-11-06 cs.LG stat.ML
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego（加州大学圣地亚哥分校）
本文提出了一种两阶段迭代算法，用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构，通过路径条件保证可识别性，并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
Causal Structure Representation Learning of Confounders in Latent Space for Recommendation
MIC Lab, College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院MIC实验室）；Key Laboratory of Trustworthy Distributed Computing and Service (MoE), Beijing University of Posts and Telecommunications（北京邮电大学可信分布式计算与服务重点实验室）；Institute of Artificial Intelligence, Beihang University and Zhongguancun Laboratory（北航人工智能研究院和中关村实验室）
本文针对推荐系统中不可观测混杂因素导致用户偏好推断失真的问题，提出在潜在空间解耦混杂因素与用户偏好，并结合局部与全局因果图建模其用户特异性影响，基于变分自编码器构建CSC模型，在多个数据集上验证了模型优越性和因果表示的可控性。
2025-05-06 cs.AI cs.IR cs.LG
Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science
Kyushu Institute of Technology（九州工业大学）
本文提出CFM-SD方法，利用物理模拟器作为do-运算符，解决AI-for-Science中潜在混杂因素和真实干预数据的因果发现问题，实验表明其在合成数据和真实科学数据中均表现出色。
2026-05-08 cs.AI cs.ET cs.LG
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
High Dimensional Causal Inference with Variational Backdoor Adjustment
UCLA（加州大学洛杉矶分校）
本文提出一种基于生成建模和变分推断的后门调整方法，用于高维治疗和混杂因素下的因果效应估计，并在半合成X射线医学数据等场景中验证了其有效性。
2023-10-09 cs.AI cs.LG stat.ML
VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference
Jilin University（吉林大学）；Baidu（百度）
针对未观测混杂因子扭曲因果推断的问题，提出变分学习模型VLUCI，通过解耦观测与未观测混杂因子构建双重变分推断，提升反事实推断准确性并提供置信区间。
2023-09-07 cs.AI cs.LG stat.ME
Identification of Causal Direction under an Arbitrary Number of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；College of Engineering, Shantou University（汕头大学工程学院）；Peng Cheng Laboratory, Shenzhen, China（深圳鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能大学）
本文针对存在任意数量潜在混杂因子的线性非高斯系统，利用特定构造的联合高阶累积量矩阵的秩亏缺性质，直接识别两观测变量间的因果方向，无需迭代，并验证了其有效性与渐近正确性。
2025-10-26 cs.LG stat.ML
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich（苏黎世联邦理工学院）
当随机实验不可行或成本高昂时，使用观察数据来估计治疗效果是决策的有力工具。然而，观察性数据经常产生处理效应的偏倚估计，因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中，我们开发了序贯去混淆，一种方法，使估计个体化的处理效应随着时间的推移，存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法（即，在每个时间步分配一个或多个处理）。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品，然后将其与结果模型结合使用，以估计随时间推移的处理效应。我们证明，使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据，我们证明了我们的方法的效力，随着时间的推移，在去干扰治疗反应的估计。
2022-02-28 cs.LG stat.ME stat.ML
Causal Effect Identification in LiNGAM Models with Latent Confounders
Technical University of Munich（慕尼黑工业大学）；Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Leiden University（莱顿大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文研究了带有潜在变量的 LiNGAM 模型中因果效应的可识别性，在因果图已知与未知两种设定下提供了完整的图特征描述与认证算法，并改编 RICA 算法实现因果效应估计。
2024-06-04 cs.LG stat.ME stat.ML
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
Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data
Ant Group（蚂蚁集团）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
针对网络化观测数据中隐藏混杂及调整因素与混杂因素混淆的问题，提出 GDC 框架，通过因果解耦、多图聚合和因果约束提升 ITE 估计效果。
2024-12-05 cs.IR cs.LG
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
National Sun Yat-Sen University（中山大学）
提出基于LLM的智能体框架，将其集成至因果机器学习流程中，通过模拟领域专家知识实现自动混杂因素发现与亚组分析，在减少人工依赖的同时提升了处理效应估计的稳健性与可解释性。
2025-08-10 cs.AI cs.LG cs.MA
Dynamical causality under invisible confounders
Northwestern Polytechnical University（西北工业大学）；Center for Excellence in Molecular Cell Science, Chinese Academy of Sciences（中国科学院分子细胞科学卓越创新中心）；Academy of Mathematics and Systems Science, Chinese Academy of Sciences（中国科学院数学与系统科学研究院）；University of Chinese Academy of Sciences（中国科学院大学）；South China University of Technology（华南理工大学）；Guangdong Institute of Intelligence Science and Technology（广东智能科学技术研究院）；Fudan University（复旦大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences（中国科学院大学杭州高等研究院）
针对不可见混杂因素下因果推断难的问题，提出基于延迟嵌入空间正交分解的CIC方法，可量化变量因果关系、重构混杂因素，解决高维系统因果检测及变量不可分问题，经真实数据集验证有效。
2024-08-10 cs.LG stat.ME
Does Misclassifying Non-confounding Covariates as Confounders Affect the Causal Inference within the Potential Outcomes Framework?
Jilin University（吉林大学）；Beihang University（北京航空航天大学）
本文通过统一图形框架定量分析将非混杂协变量误分类为混杂变量对因果推断的影响，发现消除混杂偏差时最优协变量仅为混杂变量，而调整变量有助于反事实推断，并经合成数据实验验证。
2023-09-05 cs.AI cs.LG stat.ME
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说，即使在限制性参数模型假设下，当混杂因素非随机缺失时，也不能保证因果效应的识别。为了解决这一问题，我们提出了一个通用框架，以建立因果关系的识别时，混杂因素受到治疗无关的缺失，这意味着缺失数据机制是独立的治疗，考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型，并在识别失败时提供了反例。在估计方面，我们给出了模型参数的加权估计方程估计方法，并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法，从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Identifying Causal Effects With Proxy Variables of an Unmeasured Confounder
我们考虑一个因果效应，它被一个未观察到的变量混淆，但与观察到的混淆因素的代理变量。我们表明，至少有两个独立的代理变量满足一定的秩条件，因果效应是非参数识别，即使测量误差机制，即，可能无法识别给定混杂因素的代理的条件分布。我们的结果推广了Kuroki & Pearl（2014）基于测量误差机制识别的识别策略。当只有一个代理的混杂因素是可用的，或所需的排名条件不满足，我们开发了一个策略来测试没有因果关系的原假设。
2018-06-28 stat.ME
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种新的因果公式，通过建模后处理选择和干预反应，识别因果关系、潜在混杂因素和选择模式，提升因果发现的准确性。
2026-02-25 cs.LG stat.ME
Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data
Tsinghua University（清华大学）；Tsinghua Shenzhen International Graduate School（清华大学深圳国际研究生院）
本文提出ContiVAE框架，利用带Tilted Gaussian先验的变分自编码器将未观测混杂因素建模为潜在变量，从而在观测数据中估计连续处理的个体剂量-反应曲线，实验显示其性能优于现有方法最多62%。
2024-10-21 cs.LG stat.ML
Confounder Balancing for Instrumental Variable Regression with Latent Variable
Zhejiang University（浙江大学）；Emory University（埃默里大学）；Tsinghua University（清华大学）
本文研究了IV回归中不可测混杂因素和观测混杂因素的不平衡性所引起的混杂效应，旨在寻求无偏因果效应估计。最近，提出了非线性IV估计，允许在这两个阶段的非线性模型。然而，在第2阶段观察到的混杂因素可能不平衡，在某些情况下仍可能导致治疗效果估计偏倚。为此，我们提出了一个混杂平衡IV回归（CB-IV）算法，以共同消除未测量的混杂因素和观察到的混杂因素的不平衡的偏见。理论上，通过重新定义和求解潜在结果函数的逆问题，我们证明了我们的CB-IV算法可以无偏地估计治疗效果，并实现较低的方差。IV方法的主要缺点在于，目前几乎没有先验或理论可用于在现实世界场景中预先定义有效的IV。因此，我们研究了两个更具挑战性的设置，没有预定义的有效IV：（1）不可区分的IV隐含地存在于观察中，即，混合变量挑战，和（2）潜在的IV不出现在观察中，即，潜在变量挑战为了解决这两个挑战，我们扩展了我们的CB-IV的潜变量模块，即CB-IV-L算法。大量的实验表明，我们的CB-IV（-L）优于现有的方法。
2022-11-18 cs.AI stat.ME
On Proximal Causal Learning with Many Hidden Confounders
我们推广了Miao，Geng和Tchetgen Tchetgen（2018）的近似g-公式，用于使用代理变量在未观察到的混淆下进行因果推断。具体来说，我们表明，该公式适用于所有的因果模型在一定的等价类，这个类包含的模型中，未观察到的混杂因素的集合的水平的总数可以任意大于每个代理变量的水平数。虽然很容易获得，但结果对应用程序来说可能很重要。模拟证实了我们的正式论点。
2020-12-12 stat.ME
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
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments
California Institute of Technology（加州理工学院）；UC Irvine（加州大学欧文分校）
发现一组变量之间的完整因果关系集是一个具有挑战性的无监督学习问题。通常，这一挑战因存在潜在或隐藏的混杂因素而变得更加复杂。当只有观测数据可用时，问题是不适定的，即除非做出强有力的建模假设，否则因果关系是不可识别的。当干预措施可用时，我们在温和的假设下提供可识别性和可学习性的保证。我们假设一个线性结构方程模型（SEM）与独立的潜在因素和有向无环图（DAG）的观察之间的关系。由于隐变量的推理是基于独立分量分析（ICA），我们称之为SEM-ICA模型。我们使用矩量法原理来建立模型的可辨识性。我们开发了有效的算法的基础上耦合张量分解与线性约束，以获得可扩展的和有保证的解决方案。因此，我们提供了一个原则性的方法来解决因果发现和潜在变量推理的联合问题。
2021-01-17 cs.LG
Differentiable Structure Learning for Cyclic Linear Gaussian Models with Latent Confounders
EPFL（洛桑联邦理工学院）；Leiden University（莱顿大学）
本文提出一种可微结构学习方法，用于含潜在混杂因子的循环线性高斯模型，通过伯努利门和闭式可微惩罚实现全局一致的结构学习，实验显示恢复误差更低。
2026-10-01 cs.AI cs.LG
Identification and Estimation of Causal Effects with Confounders Missing Not at Random
本文在混杂因素非随机缺失且缺失性与处理无关的假设下，建立了因果效应的可识别性，并提出加权估计方程方法及三种平均因果效应估计量，通过模拟和实际数据验证其有效性。
2023-10-30 stat.ME
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架，用于在混杂因素维度发散时有效估计一般处理效应，建立了新的逼近误差界以缓解维度灾难，并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Causal Discovery with Latent Confounders Based on Higher-Order Cumulants
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Shantou University（汕头大学）；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）
本文利用高阶累积量给出单潜在成分结构下过完备独立成分分析的闭式解，提出可检验条件识别潜在变量并确定因果顺序，进而扩展到多潜在成分结构，实现带潜在混杂因素的因果结构学习。
2023-05-31 cs.AI cs.LG stat.ME
Causal Mediation Analysis with Multiple Treatments and Latent Confounders
因果中介分析是通过中介变量或中介变量来评估治疗对目标结果的直接和间接因果效应，但在实际应用中，由于中介变量不能随机分配，直接和间接因果效应难以识别。在这篇文章中，我们考虑一个因果模型，包括潜在的混杂因素之间的调解人和结果。我们提出了充分的条件，确定直接和间接的影响，并提出了一种方法来估计它们。所提出的方法的性能进行了评估，通过仿真研究。最后，我们将该方法应用于一个电信公司的客户忠诚度调查数据集。
2020-01-13 stat.AP stat.ME
A Bayesian Non-parametric Approach for Causal Mediation with a Post-treatment Confounder
提出一种贝叶斯非参数方法，通过富化狄利克雷过程混合模型处理存在处理后混杂因素时的因果中介分析，可估计自然直接效应和间接效应，并在模拟和Rural LITE试验中验证了其有效性。
2023-05-08 stat.AP stat.ME
Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）；Data 61, Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织数据61分部）；STEM, University of South Australia（南澳大学 STEM 学院）
针对观测数据因果效应估计中潜在混杂因子与治疗后变量引发的偏差问题，提出结合VAE与iVAE的CPTiVAE方法，证明相关可识别性，实验表明其性能优于现有最优方法，具备实际应用潜力。
2024-08-13 cs.LG stat.ME
