Causal Discovery from Conditionally Stationary Time Series
Imperial College London（帝国理工学院）；University of Dundee（邓迪大学）
本文提出状态依赖因果推断（SDCI）方法，通过将非平稳性建模为以潜在状态为条件的平稳性，实现条件平稳时间序列中的因果发现，并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration
SRI International（SRI国际）
本文提出基于多层Transformer的时间因果发现框架，通过梯度分析提取因果图，并利用注意力掩码融合先验知识以抑制虚假因果，在因果发现F1和滞后估计准确率上均显著超越现有方法。
2025-08-21 cs.LG stat.ML
Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity
Tsinghua University（清华大学）；Shandong University（山东大学）
针对现有因果发现方法受先验知识不足、领域不一致及高维小样本限制的问题，提出融合模糊知识与数据的弱监督方法KEEL，结合ELCM处理复杂数据，在多场景下准确率、鲁棒性和效率均优于现有方法。
2024-05-14 cs.LG stat.ML
LLM-initialized Differentiable Causal Discovery
SandboxAQ
本文提出LLM-DCD，利用LLM初始化可微因果发现的最大似然优化，并以显式邻接矩阵作为唯一变分参数，从而提升可解释性、先验融入能力和基准准确率。
2024-10-28 cs.LG stat.ML
Deception by Omission: Using Adversarial Missingness to Poison Causal Structure Learning
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Google LLC（谷歌有限责任公司）；Columbia University（哥伦比亚大学）
针对可审计、不可篡改的观测数据，本文提出通过对抗性选择性遗漏训练数据来误导因果结构学习，并给出任意SCM的理论攻击与高斯SCM的高效启发式方法。
2023-05-31 cs.LG stat.ML
Neuropathic Pain Diagnosis Simulator for Causal Discovery Algorithm Evaluation
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）；Microsoft Research（微软研究院）
从观测数据中发现因果关系对于许多科学学科和现实世界的应用至关重要。然而，不像其他机器学习算法，其发展已经大大促进了大量的可用基准数据集，因果发现算法是出了名的难以系统地评估，因为很少有数据集与已知的地面真理因果关系。在这项工作中，我们处理的问题，通过建立一个灵活的模拟器在医疗环境中的因果发现算法进行评估。我们开发了一个神经病理性疼痛诊断模拟器，灵感来自这样一个事实，即神经病理性病理生理学的生物过程得到了很好的研究，具有很好的理解因果关系的影响。我们的模拟器利用了神经性疼痛病理的因果图，并且其在发生器中的参数是从现实生活中的患者病例中估计的。我们表明，从我们的模拟器生成的数据具有类似的统计数据作为真实世界的数据。作为一个明显的优势，模拟器可以产生无限的样本，而不会危及现实世界患者的隐私。我们的模拟器提供了一个自然的工具，用于评估各种类型的因果发现算法，包括那些处理因果发现中的实际问题，如未知的混杂因素，选择偏差和缺失数据。使用我们的模拟器，我们已经广泛评估了因果发现算法在各种设置下。
2019-10-28 cs.LG stat.ML
Causal KL: Evaluating Causal Discovery
Monash University（莫纳什大学）
使用人工数据评估因果模型发现的两个最常用的标准是编辑距离和Kullback-Leibler散度，从真实模型到学习模型进行测量。这两个指标最大限度地奖励真实模型。然而，我们认为，他们都是不够的歧视，在判断错误的模型的相对优点。例如，编辑距离无法区分强概率依赖性和弱概率依赖性。另一方面，KL分歧同样奖励所有统计上等价的模型，无论它们的因果关系如何。我们提出了一个增强的KL分歧，我们称之为因果KL（CKL），它考虑到因果关系，区分观测等效模型。CKL的三个变体的结果，表明因果KL在实践中效果良好。
2021-11-11 cs.LG stat.ML
Likelihood-Free Overcomplete ICA and Applications in Causal Discovery
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
因果发现在过去几十年中取得了重大进展。特别是，许多最近的因果发现方法利用独立的，非高斯噪声来实现因果模型的可识别性。隐藏的直接共同原因，或混杂因素的存在，通常会使因果发现更加困难，只要他们存在，相应的因果发现算法可以被看作是过完备独立成分分析（OICA）的扩展。然而，现有的OICA算法通常对独立分量的分布进行强参数假设，这可能会违反实际数据，导致次优甚至错误的解决方案。此外，现有的OICA算法依赖于期望最大化（EM）过程，需要计算昂贵的独立分量的后验分布的推断。为了解决这些问题，我们提出了一个似然自由过完备ICA算法（LFOICA），估计混合矩阵直接通过反向传播没有任何明确的假设上的独立分量的密度函数。由于其计算效率，所提出的方法使得一些因果发现程序更实际可行。为了说明的目的，我们证明了我们的方法在两个因果发现任务的合成和真实数据的计算效率和功效。
2019-09-05 cs.LG stat.ML
Causal Discovery with General Non-Linear Relationships Using Non-Linear ICA
University College London（伦敦大学学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Helsinki（赫尔辛基大学）
我们考虑的问题，推断两个或两个以上的被动观察变量之间的因果关系。虽然这种因果发现的问题已经被广泛研究，特别是在双变量设置，大多数当前的方法假设一个线性的因果关系，和少数考虑非线性依赖关系的方法通常使加性噪声的假设。在这里，我们提出了一个框架，通过它，我们可以在一般非线性关系的存在下进行因果发现。该方法是基于非线性独立成分分析的最新进展，并利用观测的非平稳性，以恢复潜在的源或潜在的干扰。我们严格证明，在二元因果发现的情况下，这种非线性ICA可以用来推断因果方向，通过一系列的独立性测试。我们进一步提出了一种替代措施的因果方向的基础上渐近近似的似然比，以及扩展到多变量因果发现。我们证明了所提出的方法的能力，通过一系列的模拟研究，并得出结论与神经影像数据的应用。
2019-04-19 cs.LG stat.ML
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Institute of Science Technology Austria（奥地利科学技术研究所）
本文为分数匹配方法建立了统计样本复杂度界，证明用深度ReLU网络和随机梯度下降可准确估计分数函数，并给出其在因果发现和生成建模中的误差上界。
2023-10-27 cs.LG stat.ML
Leveraging directed causal discovery to detect latent common causes
Spotify（声田）；University College London（伦敦大学学院）；Babylon Health（巴比伦健康）
因果关系的发现是科学和医学中的一个基本问题。近年来，已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而，大多数这些只处理纯粹的直接因果关系，不能检测潜在的共同原因。在这里，我们设计了一个一般的启发式，它需要一个因果发现算法，只能区分纯粹的直接因果关系，并修改它，也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法，信息几何因果推断（Daniusis等人，2010）和（Mitrovic，Sejdinovic，& Teh，2018）的因果推断的核条件偏差，并对合成数据进行了广泛的测试-检测加性，乘法和复杂噪声机制中的潜在常见原因-以及真实数据，我们能够检测已知的常见原因。除了检测潜在的共同原因，我们的实验表明，这两个修改后的算法保持原来的性能，在区分有向因果关系。
2021-06-21 cs.LG stat.ML
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models
The University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）；JD Explore Academy（京东探索研究院）；The University of Sydney（悉尼大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
最先进的因果发现方法通常假设观测数据是完整的。然而，缺失数据问题在临床试验、经济学和生物学等许多实际场景中普遍存在。解决缺失数据问题的一个简单方法是首先使用现成的插补方法对数据进行插补，然后应用现有的因果发现方法。然而，这样的两步方法可能遭受次优性，因为插补算法可能引入用于对基础数据分布进行建模的偏差。在本文中，我们开发了一个通用的方法，我们称之为MissDAG，从不完整的观测数据进行因果发现。MissDAG主要关注可识别缺失和可识别加性噪声模型（ANMs）的假设，在期望最大化（EM）框架下最大化观测可见部分的期望似然。在E步骤中，在以封闭形式计算参数的后验分布不可行的情况下，利用Monte Carlo EM来近似似然。在M步骤中，MissDAG利用密度变换，通过ANM以更简单和具体的公式对噪声分布进行建模，并使用具有有向非循环图约束的基于似然的因果发现算法。我们展示了MissDAG的灵活性，将各种因果发现算法和其功效，通过广泛的模拟和真实数据实验。
2023-01-17 cs.LG stat.ML
Causal and Counterfactual Views of Missing Data Models
Emory University（埃默里大学）；Williams College（威廉姆斯学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard University（哈佛大学）
本文提出将缺失数据问题视为一种因果推断形式，通过反事实变量和图模型统一缺失数据识别与因果识别理论，并比较两者的异同。
2024-11-20 cs.LG stat.ME stat.ML
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法，通过统一框架提升因果识别性能，并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University（约翰斯·霍普金斯大学）；Columbia University（哥伦比亚大学）
本文提出了一个计算框架，产生合奏预测力学模型与不确定性量化（UQ）。首先，我们开发了一个因果发现算法，通过有向无环图（DAG）来推断在每个代表性体积元素（RVE）模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系，预测在导出的因果图中传播，同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子（摩擦界面的牵引分离定律，颗粒集合体的弹塑性模型）来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 cs.LG stat.ML
Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
Oregon State University（俄勒冈州立大学）；RIKEN Advanced Intelligence Project（理化学研究所先进智能项目）；The University of Osaka（大阪大学）；Shiga University（滋贺大学）
该研究针对缺失数据场景，建立了因果图可识别性的通用充分条件，提出两种适用于加性噪声模型的渐近正确算法，将完整数据因果发现的正确性保证扩展至缺失数据场景。
2026-10-15 cs.AI cs.LG stat.ME
Reparametrization Invariance in non-parametric Causal Discovery
Technical University of Denmark（丹麦技术大学）
因果发现估计产生观察数据的潜在物理过程：X导致Y还是Y导致X？当只有观测数据可用时，当前的方法使用结构条件将因果查询转换为统计查询。但如果这些统计查询对因果不变量敏感怎么办？本研究探讨这样一个不变量：X和Y之间的因果关系对于X和Y的边缘分布是不变量。我们提出了一种算法，使用非参数估计，是强大的边缘分布的变化。这样，我们可以边缘化边缘，并检查什么关系是内在的。由此产生的因果估计是有竞争力的，目前的方法，并高度重视因果查询的不确定性，一个方面一样重要的查询本身。
2020-08-12 cs.LG stat.ML
ASP-based Discovery of Semi-Markovian Causal Models under Weaker Assumptions
University of South Australia（南澳大学）；Lingnan University（岭南大学）；California Institute of Technology（加州理工学院）；Shenzhen University（深圳大学）
近年来，放松自动因果发现中所谓的忠实性假设的可能性已经被研究。调查表明：（1）忠实性假设可以通过各种方式被削弱，这在重要意义上保持了它的力量;（2）忠实性的削弱可能有助于加快基于答案集编程的方法。然而，到目前为止，这一系列的工作只考虑了没有潜在变量的因果模型的发现。在本文中，我们研究了半马尔可夫因果模型的基于约束的发现的忠诚度的削弱，它容纳了潜在变量的可能性，并表明（1）和（2）仍然是这种情况下，在这个更现实的设置。
2019-06-06 cs.LG stat.ML
Relaxing Faithfulness with Intervention-Only Causal Discovery
Thayer School of Engineering Dartmouth College（达特茅斯学院塞耶工程学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Massachusetts Institute of Technology（麻省理工学院）
研究因果发现算法，指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设，表明其足以用硬干预非参数识别因果结构，将干预作为因果结构信息主要载体，还针对干预范围有限情况指定等价类。
2026-07-14 cs.LG stat.ML
Causal Discovery from Incomplete Data: A Deep Learning Approach
Eindhoven University of Technology（埃因霍温理工大学）；Massachusetts Institute of Technology（麻省理工学院）
随着人工智能的发展，系统变得越来越自治，从观察的感官输入中发现因果知识是很重要的。通过编码事件之间的一系列因果关系，因果网络可以帮助预测给定行为的影响，并分析其潜在的数据生成机制。然而，缺失数据在实际场景中普遍存在。直接对部分观测数据执行现有的偶然发现算法可能导致不正确的推断。为了缓解这个问题，我们提出了一个深度学习框架，称为插补因果学习（ICL），来执行迭代缺失数据插补和因果结构发现。通过对合成数据和真实数据的广泛模拟，我们表明ICL在不同的缺失数据机制下都可以优于最先进的方法。
2020-01-15 cs.LG stat.ML
Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders
RIKEN（理化学研究所）；Shiga University（滋贺大学）
从受潜在混杂因素影响的数据中发现因果关系是一个重要而困难的挑战。基于因果函数模型的方法还没有被用来呈现变量的关系受到潜在的混杂因素，而一些基于约束的方法可以呈现它们。本文提出了一种基于因果函数模型的方法，称为重复因果发现（RCD）发现的因果结构的观察变量的潜在混杂因素的影响。RCD重复推断少量观察变量之间的因果关系，并确定这些关系是否受到潜在混杂因素的影响。RCD最终产生因果图，其中双向箭头指示具有相同潜在混杂因素的变量对，并且有向箭头指示不受相同潜在混杂因素影响的变量对的因果方向。使用模拟数据和真实世界数据的实验验证结果证实，RCD是有效的，在识别潜在的混杂因素和观察变量之间的因果关系的方向。
2020-11-04 cs.LG stat.ML
Causal Discovery from Heterogeneous/Nonstationary Data with Independent Changes
Carnegie Mellon University（卡内基梅隆大学）；Lingnan University（岭南大学）；Rutgers University（罗格斯大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
异构或非平稳数据是常见的，其底层生成过程跨域或随时间而变化。这种分布偏移特征为因果发现带来了挑战和机遇。在本文中，我们开发了一个框架的因果发现从这样的数据，称为约束为基础的因果发现从异构/非平稳数据（CD-NOD），找到因果骨架和方向，并估计机制变化的属性。首先，我们提出了一个增强的基于约束的过程来检测变量的局部机制的变化和恢复的骨架的因果结构观察到的变量。其次，我们提出了一种方法来确定因果方向，利用独立的变化隐含的数据分布的基础因果模型，受益于不断变化的分布所携带的信息。在学习了因果结构之后，接下来，我们研究如何有效地估计因果机制的非平稳性的“驱动力”。也就是说，我们的目标是从数据中提取变化的低维表示。所提出的方法是非参数的，对数据分布和因果机制没有硬性限制，并且不依赖于窗口分割。此外，我们发现，数据的异质性的因果结构识别，即使特定类型的混杂因素。最后，我们展示了因果发现中的异质性/非平稳性和软干预之间的联系。各种合成和现实世界的数据集（任务功能磁共振成像和股票市场数据）的实验结果证明所提出的方法的有效性。
2020-06-25 cs.LG stat.ML
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
针对观测表格数据因果发现难题，提出DAG-FM基础模型，通过自回归阶段、表格交互块及叶专家混合处理复杂情况，经迭代推理构建DAG，在合成及真实数据集上性能优于传统算法和其他模型。
2026-08-04 cs.LG stat.ML
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
Inria（法国国家信息与自动化技术研究院）；CEA（法国国家科学研究中心）；University of Paris-Saclay（巴黎-萨克勒大学）；University of Carnegie Mellon（卡内基梅隆大学）；Apple（苹果公司）；University of Helsinki（赫尔辛基大学）
该研究针对因果发现需强非高斯性假设的问题，利用多视图结构提出多视图线性结构方程模型及相关算法，可估计脑区因果图，在模拟与神经影像数据中验证有效。
2026-10-23 cs.LG stat.ML
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data
Humboldt University Berlin（柏林洪堡大学）；Bucharest University of Economic Studies（布加勒斯特经济研究大学）
针对观测数据非线性因果发现缺乏统一评估框架的问题，提出可解释的六维评估指标DOS，并通过大规模模拟研究评估七类结构学习算法，发现摊销因果发现性能接近最优。
2024-12-16 cs.LG stat.ML
An Upper Bound for Random Measurement Error in Causal Discovery
University of Amsterdam（阿姆斯特丹大学）；ETH Zürich（苏黎世联邦理工学院）；IBM Research（IBM研究院）
因果发现算法根据几个假设从数据中推断因果关系，其中包括不存在测量误差。然而，这一假设在实际应用中很可能被违反，这可能导致错误的、不可再现的结果。在这项工作中，我们将展示如何获得一个上限的随机测量误差的方差从测量变量的协方差矩阵，以及如何使用这个上限作为一个校正约束为基础的因果发现。我们展示了我们的方法在模拟数据和真实世界的蛋白质信号数据的实际应用。
2018-10-18 cs.LG stat.ML
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
Domain Knowledge in A*-Based Causal Discovery
causaLens（causaLens公司）；King’s College London（伦敦国王学院）
因果发现已经成为科学家和从业者想要从观测数据中发现因果关系的重要工具。虽然大多数以前的因果发现方法都隐含地假设没有专业领域知识，但从业者通常可以从以前的经验中提供这样的领域知识。最近的工作已纳入领域知识的约束为基础的因果发现。然而，大多数这种基于约束的方法都假定因果忠实性，这在实践中经常被违反。因此，人们重新关注基于精确搜索分数的因果发现方法，这些方法不假设因果忠实性，例如基于A* 的方法。然而，在领域知识的背景下没有考虑这些方法。在这项工作中，我们专注于有效地整合几种类型的领域知识到A* 为基础的因果发现。在此过程中，我们讨论并解释领域知识如何减少图搜索空间，然后提供对潜在计算收益的分析。我们通过对合成数据和真实数据的实验来支持这些发现，表明即使是少量的领域知识也可以大大加快基于A* 的因果发现，并提高其性能和实用性。
2022-08-17 cs.AI cs.LG stat.ML
D'ya like DAGs? A Survey on Structure Learning and Causal Discovery
University of Surrey（萨里大学）
因果推理是科学和人类智力的重要组成部分。为了从数据中发现因果关系，我们需要结构发现方法。我们提供了一个背景理论和结构发现方法的调查审查。我们主要关注现代的、持续的优化方法，并为基准数据集和软件包等进一步的资源提供参考。最后，我们讨论了从结构到因果关系所需的跳跃性。
2021-03-04 cs.LG stat.ME 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
Local Causal Discovery for Statistically Efficient Causal Inference
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）；Saarland University（萨尔大学）
本文提出LOAD方法，结合局部方法的高效性与全局方法的统计最优性，实现高效准确的因果调整集发现。
2026-03-31 cs.AI cs.LG stat.ML
A Constraint-Based Algorithm For Causal Discovery with Cycles, Latent Variables and Selection Bias
自然界中的因果过程可能包含循环，而真实数据集可能违反因果充分性并包含选择偏差。目前没有基于约束的因果发现算法可以同时处理周期、潜变量和选择偏差（CLS）。因此，我介绍了一种算法，称为循环因果推断（CCI），使健全的推论与条件独立的预言CLS下，只要我们可以表示为一个非递归的线性结构方程模型的非递归的因果过程的独立错误。实证结果表明，CCI优于CCD在循环的情况下，以及竞争对手的FCI和RFCI在非循环的情况下。
2018-05-05 cs.LG stat.ME stat.ML
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers，含多区域河流流量数据与因果真值图，可生成多样基准测试，助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；ÉTS Montréal（蒙特利尔高等技术学院）
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而，学习这样的表示是非常具有挑战性的。因此，我们制定了从高维数据中学习因果表示的问题，并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型，解码器BCD，贝叶斯因果发现，并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素，并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Boosting Local Causal Discovery in High-Dimensional Expression Data
University of Amsterdam（阿姆斯特丹大学）
我们研究了局部因果发现（LCD），一个简单而有效的基于约束的因果发现方法，在预测大规模基因表达数据中的因果效应的性能。我们构建具体的高维政权的实用估计。受ICP算法的启发，我们使用了可选的预选方法和两种不同的统计检验。经验上，由此产生的LCD估计被认为是接近ICP的准确性，最先进的方法，而它是算法更简单，计算更有效。
2019-11-01 cs.LG stat.ME stat.ML
Causal-learn: Causal Discovery in Python
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）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Guangdong University of Technology（广东工业大学）；University of Melbourne（墨尔本大学）；Shiga University（滋贺大学）；RIKEN（理化学研究所）
本研究推出开源Python库causal-learn，提供全面的因果发现方法与易用API、模块化模块及详细文档，适配不同用户需求，契合相关社区Python编程偏好。
2023-07-31 cs.LG stat.ME stat.ML
The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
School of Mathematics, Southeast University, Nanjing 210096, China（数学学院，东南大学，南京210096，中国）；School of Cyber Science and Engineering, Southeast University, Nanjing 210096, China（网络科学与工程学院，东南大学，南京210096，中国）
本工作系统评估了主流因果发现算法在八种模型假设违背下的表现，发现可微分方法在除尺度变化外的场景中具有鲁棒性，并提供了理论解释与评估标准。
2025-10-14 cs.AI cs.LG stat.ME
Identification of Causal Structure in the Presence of Missing Data with Additive Noise Model
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Shantou University（汕头大学）
本研究针对自掩蔽缺失下因果结构难以识别的问题，基于加性噪声模型放宽无自掩蔽缺失假设，证明弱自掩蔽下因果骨架及方向的可识别性，提出实用算法并通过实验验证其有效性。
2023-12-19 cs.AI cs.LG stat.ME
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院）；Zhili College, Tsinghua University, Beijing, China（清华大学哲利学院）
本文提出Tree-Query框架，通过多专家LLM和对抗性置信度估计，实现透明、可解释的因果发现，提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI 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
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
Causal Discovery by Interventions via Integer Programming
Arizona State University（亚利桑那州立大学）；University of Pittsburgh（匹兹堡大学）
本文针对观测因果发现受混杂变量限制的问题，提出利用整数规划设计最小干预集，以保证因果结构可辨识，并通过多场景比较验证了方法的适用性与稳健性。
2024-12-02 cs.AI cs.LG stat.ML
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
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales（社会分析与数学中心）；EHESS（高等社会科学研究院）；Centre de Mathématiques Appliquées（应用数学中心）；École Polytechnique（巴黎综合理工学院）；Inria XPOP（法国国家信息与自动化研究所XPOP团队）；Google Research（谷歌研究院）
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而，用于因果推断的最新方法很少考虑协变量具有缺失值的可能性，这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂，因为它们需要一个适应的无混淆假设，而这在实践中很难证明。我们绕过这个问题，考虑潜在的混淆，其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤，但我们也建议将它们嵌入多重插补策略中，以考虑缺失值引起的变异性。数值实验表明，所提出的方法的有效性，特别是对非线性模型相比，竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
Rethinking Chronological Causal Discovery with Signal Processing
School of Engineering, The University of Edinburgh, Edinburgh, UK（爱丁堡大学工程学院）；Causality in Healthcare AI Hub (CHAI), UK（医疗AI因果性研究联合体（CHAI））
本文重新思考因果发现中的时间顺序问题，探讨采样率和窗口长度对因果发现性能的影响，并提出信号处理方法以改进因果推断。
2026-02-23 cs.LG eess.SP stat.ML
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI 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
Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs
Cornell Tech（康奈尔理工学院）；Weill Cornell Medicine（威尔康奈尔医学院）；Carnegie Mellon University（卡内基梅隆大学）
针对非参数全局因果发现的指数级复杂度难题，提出局部因果发现方法LDP，通过划分变量集在多项式时间内为暴露-结果对寻找有效调整集，实现更高效、偏差更小的因果效应估计。
2024-06-01 cs.LG stat.ME stat.ML
Cluster-Dags as Powerful Background Knowledge For Causal Discovery
Technical University Munich（慕尼黑技术大学）；Helmholtz Munich（海德堡-慕尼黑研究所）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出利用簇DAGs作为先验知识框架，改进因果发现算法，通过模拟数据验证其在高维和复杂依赖下的优越性。
2026-08-27 cs.AI cs.LG stat.ML
CausalArena: Benchmarking Causal Discovery in the Foundation Model Era
School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
CausalArena提出统一可演进的基准，通过合成、语义操作和公式基础SCMs及真实数据评估因果发现，揭示跨基准性能不可迁移，强调多样性与预训练重叠挑战。
2026-09-11 cs.LG
Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining
East China Normal University（东华师范大学）
提出PTCD框架，通过上下文条件建模和可迁移因果增强的预训练范式，提升跨任务时间序列因果发现的泛化能力，在多个真实OOD数据集上因果发现和根因识别表现优异。
2026-06-15 cs.LG
Typing assumptions improve identification in causal discovery
Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；Samsung AI Center Montreal（三星蒙特利尔人工智能中心）
从观测数据中发现因果关系是一项具有挑战性的任务，只能解决一组等价的解决方案，称为等价类。这样的类，这往往是大的尺寸，编码的不确定性的因果图中的一些边缘的方向。在这项工作中，我们提出了一套新的假设，约束可能的因果关系的基础上的变量的性质，从而限制等价类。也就是说，我们引入类型有向无环图，其中变量类型用于确定因果关系的有效性。我们证明，无论是理论和经验，所提出的假设可以导致显着的收益在因果图的识别。我们还提出了因果发现算法，利用这些假设和模拟和伪真实数据证明其好处。
2022-02-28 cs.AI cs.LG stat.ML
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IBM Research Zürich（苏黎世IBM研究院）
从实验中推断因果结构是许多领域的中心任务。例如，在生物学领域，最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而，干预措施的目标往往不确定或未知，观察次数有限。因此，标准的因果发现方法不再能够可靠地使用。为了填补这一空白，我们提出了一个贝叶斯框架（BaCaDI），用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的，这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中，BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME stat.ML
Causal Discovery with a Mixture of DAGs
Vanderbilt University Medical Center（范德比尔特大学医学中心）
生物医学中的因果过程可能包含周期，随着时间的推移而演变或在人群之间存在差异。然而，许多图形模型不能适应这些条件。我们建议使用有向循环图（DAG）的混合物来建模因果关系，其中人口中的联合分布在任何单个时间点都遵循DAG，但在时间上可能不同的DAG。我们还介绍了一种算法，称为因果推断混合，使用纵向数据来推断一个图形，总结了从混合的DAG产生的因果关系。实验表明，与现有方法相比，性能有所改善。
2020-09-05 cs.LG stat.AP stat.ML
