Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University（普渡大学）
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战，提出 Feature Matching Intervention (FMI) 方法，通过匹配过程模拟完美干预并构建因果潜图框架，理论证明其具有强分布外泛化能力，实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
Non-agency interventions for causal mediation in the presence of intermediate confounding
针对不可操纵原因及治疗诱导的中介者—结果混杂，提出基于边信息传递的非能动性干预与可识别路径效应，并给出具备√n一致性的高效非参数估计方法。
2023-04-25 stat.ME
Differentiable Causal Discovery Under Latent Interventions
LUMLIS (Lisbon ELLIS Unit)（里斯本ELLIS单元LUMLIS）；Instituto de Telecomunicações（电信研究所）；Unbabel（Unbabel公司）
最近的工作表明，即使在干预变量未知的情况下，通过利用基于梯度的方法的干预数据，在因果发现方面也取得了可喜的成果。然而，以前的工作假设样本和干预措施之间的对应关系是已知的，这往往是不现实的。我们设想一个场景，从多个干预分布和一个观察分布中采样大量数据集，但我们不知道每个样本的来源分布以及干预如何影响系统\textit{i.e.}，干预完全是潜在的。我们提出了一种基于神经网络和变分推理的方法，该方法通过将其构建为学习干预结构因果模型的无限混合物（根据狄利克雷过程先验）之间的共享因果图来解决这种情况。合成和真实数据的实验表明，我们的方法及其半监督变体能够在这种具有挑战性的情况下发现因果关系。
2022-03-04 cs.LG stat.ME
Connections as treatment: causal inference with edge interventions in networks
Sun Yat-sen University（中山大学）；Xiamen University（厦门大学）
本文提出了一种网络边干预的因果推断框架，通过指数随机图模型估计边概率，用于分析交通网络中铁路连接对区域经济的影响。
2026-01-12 stat.AP stat.ME
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
Active Learning for Optimal Intervention Design in Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Harvard University（哈佛大学）
本文提出融合贝叶斯因果模型与闭式因果采集函数的主动学习方法，以更少实验高效识别最优干预，并在合成数据和 Perturb-CITE-seq 单细胞数据上验证其优势。
2023-08-16 cs.LG stat.ME
Single World Intervention Graphs as Distributions: A Framework for Causal Identification
本文提出将单世界干预图视为分布的框架，用于因果识别，通过系统推导干预定义的估计量的识别表达式，扩展了现有文献中的后门推导方法，并提出了适用于复杂场景的前门推导方法。
2026-05-16 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
Adversarial Causal Intervention Falsification
University of Calgary（卡尔加里大学）
本文针对生成模型可能编码错误因果结构的问题，提出对抗性因果干预证伪（ACIF）博弈，证明其理论性质并给出线性高斯示例，搭建了因果生成建模等领域的桥梁。
2026-08-10 cs.GT cs.LG econ.EM
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
Causal Discovery under Off-Target Interventions
National University of Singapore（新加坡国立大学）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Massachusetts Institute of Technology（麻省理工学院）
针对随机干预下的因果发现问题，提出涵盖胖手干预和CRISPR基因敲除的随机干预模型，并为验证与搜索问题提供了多对数竞争比的近似算法及初步实验结果。
2024-02-13 cs.DS cs.LG stat.ME
Causal Dantzig: fast inference in linear structural equation models with hidden variables under additive interventions
当只有观测数据可用时，因果推断是非常具有挑战性的。随机化实验通常是昂贵和不切实际的，在工具变量回归中，工具的数量必须超过因果预测因子的数量。最近Peters等人[2016]表明，当来自不同观测环境的数据可用时，完整模型的因果推断是可能的，利用响应变量的条件分布在正确的因果模型下是不变的。这种方法的两个缺点是大规模数据的高计算量和假设没有隐藏的混杂因素。在这里，我们表明，这两个缺点可以得到解决，如果一个人愿意作出更严格的假设类型的干预，产生不同的环境。因此，我们来看看一个不同的不变性概念，即内积不变性。通过避免Peters等人[2016]中计算繁琐的逆向工程方法，它允许在线性结构方程模型中进行大规模因果推断。我们讨论了因果参数的可识别性条件，并在低维环境中推导出渐近置信区间。在不可识别的情况下，我们证明了因果Dantzig的解集在某些干预下具有预测保证。我们推导出有限样本的界限，在高维设置和模拟数据集上研究其性能。
2018-06-15 stat.ME
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
Deciphering interventional dynamical causality from non-intervention complex systems
Research Institute of Intelligent Complex Systems & CISOR, Fudan University（智能复杂系统研究所及CISOR，复旦大学）；International Research Center for Neurointelligence, The University of Tokyo Institutes for Advanced Study, The University of Tokyo（神经智能国际研究中心，东京大学先进研究所，东京大学）；School of Pharmacy, Shanghai University of Traditional Chinese Medicine（上海中医药大学药学院）；Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University（人工智能与机器人研究所，智能机器人与先进制造学院，复旦大学）；Frontiers Science Center for Deep Ocean Multispheres and Earth System, Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, Ocean University of China（深海多球体与地球系统前沿科学中心，海洋化学理论与技术重点实验室，教育部，中国海洋大学）；School of Mathematical Sciences and School of AI, Shanghai Jiao Tong University（数学科学学院和人工智能学院，上海交通大学）；Key Laboratory of Systems Health Science of Zhejiang Province, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Chinese Academy of Sciences（浙江省系统健康科学重点实验室，杭州高级研究所，中国科学院大学，中国科学院）
本文提出IntDC框架和IEE算法，通过延迟嵌入空间在不需干预或动力学模型的情况下，从观测数据中解码因果性，验证了其在因果分析中的有效性。
2025-07-30 cs.LG q-bio.QM stat.ME
Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
Yale University（耶鲁大学）；University of Florence（佛罗伦萨大学）
本文提出了一种非参数识别公式，用于预测未来干预的因果效应，并探讨了时间变化混杂因素对因果推断的影响。
2026-03-09 stat.ME
Causal mediation analysis for stochastic interventions
传统上，因果推断中的中介分析主要关注二元暴露和确定性干预，以及直接和间接效应方面的平均处理效应分解。在本文中，我们提出了一个类似的分解的\textit{population intervention effect}，定义通过随机干预的曝光。人口干预效应提供了一个广义的框架，其中可以定义各种有趣的因果对比，包括连续和分类暴露的影响。我们发现，在没有受暴露影响的中介-结果混杂因素的假设下，识别群体干预效应的直接和间接效应需要比其对应的平均处理效应更弱的假设。特别是，在随机化暴露和介质的实验中，直接影响的识别是有保证的。我们讨论各种估计的直接和间接的影响，包括替代，重新加权，和有效的估计的基础上灵活的回归技术，允许多变量介质。我们的有效估计是渐近线性的条件下，要求$n^{1/4}$ -某些回归函数的一致性。我们进行了模拟研究，我们评估我们提出的估计的有限样本属性。我们提出了一项说明性研究的结果，在该研究中，我们评估了参加运动队对儿童BMI的影响，使用了运动习惯、每日零食摄入量和超重状况等中介因素。
2019-06-24 stat.ME
A flexible approach to sequential prediction under intervention
University of Manchester（曼彻斯特大学）；University of Cambridge（剑桥大学）
本文提出了一种灵活的因果预测框架，用于在干预下估计风险，通过三种模型分别处理中介变量、多个干预和基线与干预模型的结合，以提高预测性能。
2026-09-18 stat.ME
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
Estimating the average causal effect of intervention in continuous variables using machine learning
NTT DATA Mathematical Systems Inc.（NTT数据数学系统公司）
最广泛讨论的估计平均因果效应/平均处理效应的方法是离散二元变量的干预方法，其值代表干预/非干预组。另一方面，用于干预独立于数据生成模型的连续变量的方法尚未开发。在这项研究中，我们给出了一种方法来估计平均因果效应的干预连续变量，可以应用于任何生成模型的数据，只要因果效应是可识别的。该方法不依赖于机器学习算法，并保持了数据的可识别性。
2022-03-16 cs.LG stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam（阿姆斯特丹大学）
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法，在给定因果模型的情况下，将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素，该潜在混杂因素在与治疗变量相同的空间中取值，而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应，而不依赖于常见但往往不切实际的假设，即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下，我们假设治疗和结果是离散的。因果关系的减少，然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下，可以通过合并观测数据来提高因果效应估计的准确性。其次，对于连续变量，假设线性高斯模型，我们推导出观测分布和干预分布参数的等式约束。第三，对于一般的连续设置（可能是非线性和非高斯），我们参数化的减少因果模型使用规范化流，一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验，发现在几种情况下，在不牺牲准确性的情况下，添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
A scoping review of causal methods enabling predictions under hypothetical interventions
背景和目标：通常开发预测模型的方法意味着，无论是参数还是预测都不应该被因果解释。然而，当预测模型用于支持决策时，通常需要预测假设干预下的结果。我们的目的是确定已发表的方法，开发和验证预测模型，使风险估计的结果下假设的干预措施，利用因果推断：其主要的方法学方法，基本假设，有针对性的被估量，和潜在的陷阱和挑战，使用该方法，和未解决的方法学挑战。研究方法：我们系统地回顾了截至2019年12月发表的文献，考虑了健康领域的论文，这些论文使用因果考虑因素使预测模型能够用于假设干预下的预测。结果如下：我们通过数据库检索确定了4919篇论文，通过手动检索进一步确定了115篇论文，其中13篇论文从统计学和机器学习文献中入选。从观测数据中进行因果推断的大多数方法都是基于边际结构模型和g-估计。结论：存在两种广泛的方法学方法，用于允许在假设干预下预测临床预测模型：1）丰富来自观察性研究的预测模型，并从临床试验和荟萃分析中估计因果效应; 2）直接从观察性数据估计预测模型和因果效应。这些方法需要扩展到动态治疗方案，并考虑多种干预措施，以操作临床决策支持系统。验证“因果预测模型”的技术仍处于起步阶段。
2021-01-12 stat.AP stat.ME stat.ML
Federated Causal Discovery From Interventions
McGill University（麦吉尔大学）；ETH Zürich（苏黎世联邦理工学院）；GlaxoSmithKline（葛兰素史克）；TU Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
提出FedCDI联邦框架，通过交换信念更新和干预感知聚合方法，从含干预样本的分布式数据中推断因果结构，有效保护隐私并缓解数据异质性。
2024-02-11 cs.LG cs.MA stat.ME
Probability trees and the value of a single intervention
Technical University of Denmark（丹麦技术大学）
统计因果关系中最基本的问题是从有限的数据中确定因果关系。概率树，结合先验因果结构与贝叶斯更新，已被建议作为一种可能的解决方案。在这项工作中，我们量化的信息增益从一个单一的干预，并表明，预期的信息增益，之前进行干预，并从干预的预期收益有简单的表达式。这导致了一种主动学习方法，该方法简单地选择具有最高预期增益的干预，我们通过几个例子来说明。我们的工作展示了概率树及其参数的贝叶斯估计如何提供一种简单而可行的快速因果归纳方法。
2022-05-18 cs.LG stat.ME
Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery
Warsaw University（华沙大学）；IDEAS NCBR；Jagiellonian University（雅盖隆大学）；ETH Zurich（苏黎世联邦理工学院）；Helmholtz, TU Munich（慕尼黑工业大学亥姆霍兹中心）；Institute of Mathematics, Polish Academy of Sciences（波兰科学院数学研究所）
针对因果发现中干预成本高的问题，本文提出 GIT 方法，利用梯度因果发现框架的梯度估计器指导干预目标选择，并在模拟与真实数据中验证其低数据优势。
2024-04-03 cs.AI cs.LG stat.ME
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
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
Causal identification of infectious disease intervention effects in a clustered population
在相互关联的人群中，传染病结局的处理效应的因果鉴定具有挑战性，因为感染结局可能传染给他人，对一个人进行的治疗可能影响其他人的结局。结果的传染性或可传递性使治疗干预的标准概念复杂化，其中向一个人提供的干预可能影响其他人的结果。已经提出了几个统计框架来衡量这种情况下的因果处理效应，包括结构性传播模型，基于中介的伙伴关系模型和随机试验设计。然而，现有的传染病干预效果的被估量是有限的概念上的有用性：一些是结构模型中的参数，其因果解释是不清楚的，其他的是因果关系的影响，只定义在一个有限的两个人的设置，还有一些是非参数被估量，自然出现在随机试验的背景下，但可能无法衡量任何生物学意义的影响。在本文中，我们描述了一个统一的形式主义定义的非参数结构因果被估量和识别策略，用于学习传染病干预的影响，在集群的相互作用的个人时，观察感染时间。被估量概括了现有的数量，并为随机和观察性研究中的因果识别提供了一个框架，包括仅观察到二元感染结果的情况。半参数类的成对Cox型传输风险模型，用于促进统计推断在有限的样本。一项全面的模拟研究比较了各种随机和观察性疫苗试验设计下现有和拟议的被估量。
2021-05-07 stat.AP stat.ME
The Amenability Framework: Rethinking Causal Ordering Without Estimating Causal Effects
本文提出基于可干预性的概念框架，证明在无法估计因果效应时，可使用预测得分作为个体干预倾向的有效代理进行排序，在资源受限环境中实现更稳健的干预优先级排序。
2025-04-04 cs.LG stat.ME
RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
Alibaba Cloud（阿里云）；SIGS, Tsinghua University（清华大学深圳国际研究生院）；DCST, Tsinghua University（清华大学信息科学技术学院）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
针对工业场景中无干预目标且含文本信息的时序因果发现难题，提出RealTCD框架，结合基于评分的方法与LLM引导的元初始化，在模拟和真实数据上优于现有基线。
2024-05-26 cs.AI cs.LG stat.ME
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
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）；University of Cambridge（剑桥大学）
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应，提出基于矩阵加权线性估计量的方法，证明其渐近无偏，在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI stat.ME
Causal Network Learning from Multiple Interventions of Unknown Manipulated Targets
Peking University（北京大学）
在本文中，我们讨论了因果网络的结构学习从外部干预实验中获得的多个数据集，我们不知道什么变量被操纵。例如，这些实验中的条件通过改变温度或使用药物来改变，但我们不知道外部干预措施操纵了哪些目标变量。从这样的数据集，结构学习变得更加困难。对于这种情况，我们首先讨论因果结构的可识别性。接下来，我们提出了一个图合并的方法来学习因果网络的情况下，样本量是大的这些干预措施。然后，对于这些干预措施的样本量相对较小的情况下，我们提出了一个数据池的方法来学习因果网络，我们池这些干预措施的所有数据集在一起的学习。此外，我们提出了一种重新采样的方法来评估的因果网络的边缘学习的数据池方法。最后，我们通过仿真来说明所提出的学习方法。
2016-10-27 cs.LG stat.ML
Towards intervention-centric causal reasoning in learning agents
University of Pennsylvania（宾夕法尼亚大学）
干预是因果学习和推理的核心。然而，最终干预是一种抽象：嵌入在物理环境中的代理（可能被建模为马尔可夫决策过程）通常不具备干预的概念-其动作空间通常以自我为中心，没有“干预X”形式的动作。以自我为中心的行动和干预之间的这种对应关系对于硬编码来说是具有挑战性的。相反，如果智能体学习哪些动作序列允许它对环境进行有针对性的操作，并学习相应的表示，允许从观察中学习，那就更好了。在这里，我们展示了如何使用元学习方法在这种具有挑战性的环境中进行因果学习，其中动作空间不是一组干预措施，观察空间是一个具有潜在因果结构的高维空间。Meta强化学习算法用于学习在观察因果学习任务上转移的关系。这项工作展示了深度强化学习和元学习的进步如何在具有潜在因果结构的高维环境中提供以干预为中心的因果学习。
2020-05-26 cs.LG stat.ML
Efficient Intervention Design for Causal Discovery with Latents
UMass Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们考虑在潜在变量的存在下恢复因果图，在那里我们寻求最小化恢复过程中使用的干预措施的成本。我们考虑两种干预成本模型：（1）线性成本模型，其中干预成本在变量子集上具有线性形式，以及（2）身份成本模型，其中干预成本相同，无论它是什么变量，即，目标只是尽量减少干预的次数。在线性成本模型下，我们给出了一个算法来识别潜在的因果图的祖先关系，实现在一个$2$ -因子的最优干预成本。对于任何$ε> 0$，在一些温和的限制下，该近似因子可以改进为$1+ε$。在身份成本模型下，我们通过一种特殊类型的碰撞器使用因果图的参数化来约束恢复整个因果图（包括潜在变量）所需的干预次数。特别是，我们引入的概念，$p$ -碰撞器，这是碰撞器对节点之间产生的因果图中的特定类型的条件，并提供一个上限的干预措施的数量作为因果图中的任何两个节点之间的$p$ -碰撞器的最大数量的函数。
2020-07-12 cs.DS cs.LG stat.ML
Observational and Interventional Causal Learning for Regret-Minimizing Control
University of Stuttgart（斯图加特大学）
我们探讨如何观察和干预因果发现方法可以结合起来。一个国家的最先进的观测因果发现算法时间序列能够处理潜在的混杂因素和同期的影响，称为LPCMCI，扩展到利润从偶然的约束，通过随机对照试验。数值结果表明，完美的干预约束，重建的结构因果模型（SCM）的扩展LPCMCI允许84.6%的时间为目标变量的最佳预测。干预和观察因果发现的实施是模块化的，允许来自其他来源的因果约束。本论文的第二部分研究同时学习因果模型和通过因果模型规划行动的后悔最小化控制问题。这个想法是，一个优化测量变量的代理首先通过观察因果发现来学习系统的机制。然后，代理人干预最有希望的变量与随机值，允许开发和生成新的干预数据。然后，代理使用介入数据来进一步增强因果模型，允许下一次改进行动。与原始LPCMCI算法相比，扩展的LPCMCI可以是有利的。数值结果表明，检测和使用介入约束导致重建SCM，允许60.9%的时间用于目标变量的最佳预测，而使用原始LPCMCI算法时的基线为53.6%。此外，诱导的平均后悔从使用原始LPCMCI算法时的1.2降低到使用具有介入发现的扩展LPCMCI算法时的1.0。
2022-12-05 cs.AI cs.LG stat.ML
Can Large Language Models Help Experimental Design for Causal Discovery?
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Hong Kong Baptist University（香港浸会大学）；The University of Sydney（悉尼大学）；Carnegie Mellon University（卡内基梅隆大学）
针对因果发现中干预目标选择因初始数据有限导致数值方法效果不佳的问题，提出结合大型语言模型世界知识的LeGIT框架以增强现有数值方法，在4个基准上显著提升性能并超越人类。
2025-03-04 cs.AI cs.LG stat.ME
Identification of causal intervention effects under contagion
界定和确定传染性传染病结果的因果干预效应具有挑战性，因为给予一个人的治疗-如疫苗-可能影响其他人的感染结果。流行病学家提出了因果estimands量化的影响下的干预传染使用两人的伙伴关系模型。这些简单的概念模型帮助研究人员开发了与疫苗效果临床评价相关的因果被估量。然而，许多这些伙伴关系模型的结构性假设，排除现实的传染病传播动力学，限制了他们的概念在定义和确定因果处理效应的经验性干预试验的有用性。在本文中，我们提出了因果干预的影响，在两个人的伙伴关系下任意传染病的传播动力学，并给出非参数识别结果，显示如何影响可以估计在实证试验中使用的时间感染或二进制结果数据。关键的见解是，传染是一种因果现象，诱导感染结果的条件独立性，可用于识别有临床意义的因果被估量。这些新的被估量进行比较，现有的数量，并说明使用一个现实的模拟艾滋病毒疫苗试验的结果。
2019-12-10 math.ST q-bio.PE stat.AP
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research India（微软印度研究院）；Microsoft（微软）；Microsoft Research AI（微软人工智能研究院）
对于许多类型的干预，如新广告，营销干预或功能推荐，重要的是要针对特定的人群子集，以最小的成本或潜在的伤害最大化其利益。然而，一个关键的挑战是，由于尚未部署这种前瞻性干预措施，因此没有关于其效果的数据。在这项工作中，我们提出了一个分裂治疗分析，排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同，分割处理方法不需要对目标处理本身进行任何观察。相反，它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下，我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下，分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务，并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG stat.ME
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
Interventional Score Geometry for Causal Inference
University of Calgary（卡尔加里大学）
研究因果推断中仅由联合密度和得分场构建的几何无法识别因果方向的问题，开发干预类似物，定义因果影响等，引入干预响应场和因果度量，为相关设计产生几何词典，组织相关关系但未增加基本假设外的识别能力。
2026-07-27 cs.AI econ.EM stat.ME
Partially Intervenable Causal Models
图形因果模型导致了任意结构系统中完整的非参数识别理论的发展，以及有效推理的一般方法。然而，图形方法的因果推断还没有接受的统计和公共卫生界。在这些社区中，因果假设是以潜在结果或对假设干预的反应来表示的。这种干预措施一般只在有限的一组变量上进行概念化，原则上可以进行相应的实验。相比之下，因果推断的图形方法通常假设对所有变量的干预都是明确定义的--这是一个过于限制性和不切实际的假设，可能限制了这些方法在统计和公共卫生应用工作中的采用。在本文中，我们建立在统一的图形和潜在的结果因果关系的方法为例，单世界干预图（SWIGs）定义图形模型与一组有限的允许的干预措施。我们给出了一个完整的识别理论，这样的模型，并制定了一个完整的演算的干预措施的基础上的一个概括的做演算，和公理，管理概率运算的马尔可夫内核。我们的研究结果的一个推论是一个完整的识别理论的因果关系的影响，在另一个图形框架与一组有限的干预措施，决策理论的图形制定的因果关系。
2021-10-31 cs.AI math.ST stat.ME
Interventions, Where and How? Experimental Design for Causal Models at Scale
University of Oxford（牛津大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）
由于数据有限和不可识别性，从观察性和干预性数据中发现因果关系具有挑战性：这些因素在估计基础结构因果模型（SCM）时引入了不确定性。根据这两个因素产生的不确定性选择实验（干预措施）可以加快SCM的识别。现有的方法在实验设计因果关系的发现，从有限的数据要么依赖于线性假设的SCM或只选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入贝叶斯最优实验设计框架，允许在选择干预目标和值的同时主动发现大型非线性SCM的因果关系。我们证明了所提出的方法在线性和非线性SCM以及\emph{in-silico}单细胞基因调控网络数据集DREAM上的合成图（Erdos-Rènyi，无尺度）上的性能。
2022-10-21 cs.AI cs.LG stat.ML
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
Assessing the causal effect of binary interventions from observational panel data with few treated units
研究人员经常面临的挑战是，在干预措施是非随机的情况下，评估干预措施对感兴趣的结果的影响，干预措施仅适用于一个或几个单位，干预措施是二元的，并且在多个时间点可以测量结果。在本文中，我们回顾了现有的方法，因果推断在这些情况下。我们详细介绍了每种方法的基本假设，强调不同方法之间的联系，并提供有关其实际实施的指导方针。确定了几个开放的问题，从而突出了未来研究的必要性。
2019-12-19 stat.AP
Interventional Causal Discovery in a Mixture of DAGs
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Carnegie Mellon University（卡内基梅隆大学）；IBM Research（IBM研究院）
本文针对混合DAG因果系统的发现挑战，确立干预规模充要条件并设计自适应算法，用O(n²)干预识别真边，且在无循环时达最优。
2024-12-03 cs.AI cs.LG stat.ME
Learning Mixtures of Unknown Causal Interventions
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Microsoft Research（微软研究院）
针对干预数据生成受噪声干扰、呈现混合分布的问题，该研究在未知因果图的线性高斯SEMs中，证明do与软干预的分布特性可解耦混合数据，明确样本复杂度与干预强度负相关，可识别到干预马尔可夫等价类，并通过模拟验证了理论结果。
2024-10-31 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 Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Characterization and Learning of Causal Graphs from Hard Interventions
Johns Hopkins University（约翰霍普金斯大学）；Purdue University（普渡大学）
本文研究硬干预下的因果图学习，提出基于do-calculus的图形约束刻画带潜变量因果图的干预等价类，并设计整合多干预数据集的学习算法，证明了其可靠性。
2025-11-02 cs.LG stat.ML
Evaluating Interventional Reasoning Capabilities of Large Language Models
Université de Montréal（蒙特利尔大学）；Mila（米拉计算科学研究所）；Google DeepMind（谷歌DeepMind）；ServiceNow Research（ServiceNow研究院）
本文研究LLMs在因果干预下的推理能力，构建涵盖多种因果图和变量类型的基准，评估六个LLMs，发现GPT模型在预测干预效应方面表现较好。
2024-12-22 cs.AI cs.CL cs.LG
Axiomatization of Interventional Probability Distributions
本文提出干预概率分布族的简单公理化，不依赖结构因果模型或真实因果图，仅基于单变量干预，并证明干预分布和观测分布对导出的因果图具有马尔可夫性，从而统一并扩展了现有因果推断理论。
2023-11-14 math.ST stat.ML stat.OT
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln（林肯大学）；University of Padua（帕多瓦大学）
本文提出CAnDOIT方法，结合观测和干预时间序列数据重构因果模型，解决隐藏因素下仅靠观测数据难以识别因果关系的问题，并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
Stochastic Intervention for Causal Effect Estimation
University of Technology Sydney（悉尼科技大学）
因果推理方法广泛应用于精准医疗、最优政策和经济学等决策领域。这些应用的核心是干预策略的治疗效果估计。目前的估计方法大多局限于确定性的处理，但无法解决随机空间处理策略。此外，以往的方法只能根据治疗效果做出二值的“是”或“否”决策，缺乏提供细粒度的效果估计度来解释决策过程的能力。因此，本研究提出一种新的随机倾向分数和随机干预效应估计量，将因果推理方法应用于随机干预效应的估计。同时，我们设计了一个定制的遗传算法特定的随机干预效应（Ge-SIO）的目的是提供决策的因果证据。我们提供的理论分析和进行实证研究，以证明我们提出的措施和算法可以实现显着的性能提升与国家的最先进的基线相比。
2021-05-27 cs.AI cs.LG stat.ML
Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions
University of Maryland, College Park, MD 20740, USA（马里兰大学 College Park 分校）；Amazon Web Services（亚马逊网络服务）
针对域外干预改变事件序列因果动态的问题，提出超越i.i.d.假设的新因果框架定义ATE，设计无偏估计器与融合域外干预的Transformer模型，在ATE估计和拟合优度上优于基线。
2025-07-14 cs.LG stat.ML
