A Latent Factor Panel Approach to Spatiotemporal Causal Inference
University of California, Santa Barbara（加州大学圣塔芭芭拉分校）
本文提出一种基于潜在因子模型的方法，用于处理时空观测数据中的未测量混杂因素，通过面板数据模型和多变量因果推断方法，减少遗漏变量偏差。
2026-04-28 stat.ME
Bounds on causal effects in $2^{K}$ factorial experiments with non-compliance
针对因子实验中不依从问题，本文在更温和假设下，利用工具变量方法为有界结果的依从者平均处理效应提供界。
2025-08-05 stat.ME
Causal Inference for Latent Outcomes Learned with Factor Models
研究高维观测数据下基于非负矩阵分解的潜在结果因果推断，提出缓解学习诱导干扰的算法并验证其有效性与实用性。
2025-06-26 stat.ME
Causal inference from treatment-control studies having an additional factor with unknown assignment mechanism
考虑一个有两种治疗方法的情况，第一种是随机的，而第二种不是，以及这种情况的多因素版本。关注的是处理效应，使用标准阶乘符号定义。我们定义估计的处理效应，并探讨其属性时，有信息的非随机化治疗分配，当没有信息的非随机化治疗的分配。我们展示了隐藏处理何时以及如何使估计量产生偏差并夸大其抽样方差。
2022-02-07 stat.ME
Causal Inference for Multiple Treatments using Fractional Factorial Designs
我们考虑在潜在结果框架内使用部分析因和不完全设计的多因素实验的设计和分析。当有限的资源使得运行完全析因设计不可行时，这些设计特别有用。我们将基于设计的方法与标准回归方法相结合。我们进一步激发了这些设计在多因素观察性研究中的有用性，其中某些治疗组合可能非常罕见，以至于在与它们对应的观察数据中没有测量结果。因此，概念化一个假设的部分析因实验，而不是一个完整的析因实验允许在这些设置进行适当的分析。我们说明了我们的方法，从2003-2004年周期的国家健康和营养检查调查的生物医学数据，以检查四种常见的农药对身体质量指数的影响。
2022-01-28 stat.ME
Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders
Nara Institute of Science and Technology（奈良科学技术大学）；Kyoto University（京都大学）；Ateneo de Manila University（马尼拉大学）
本文提出LANCA模型，通过加性噪声模型作为归纳偏置，实现无监督因果发现，优于现有方法在合成和真实环境中的表现。
2025-12-15 cs.LG stat.ML
Bayesian Nonparametric Causal Inference for High-Dimensional Nutritional Data via Factor-Based Exposure Mapping
Brown University（布朗大学）；La Sapienza University of Rome（罗马第一大学）
本文提出基于因子暴露映射的贝叶斯非参数方法，用于高维营养数据中饮食模式的因果推断，识别六个饮食模式并评估其与健康风险因素的因果联系。
2026-01-23 stat.ME
Causal Structure Discovery between Clusters of Nodes Induced by Latent Factors
我们考虑的问题，学习的因果有向无环图（DAG）模型的结构中存在的潜在变量。我们将潜在因子因果模型（LFCM）定义为对具有潜在变量的因果DAG模型的限制，该模型由共享相同潜在父变量的观察变量的聚类和这些聚类之间的连接组成，这些聚类由从观察变量指向潜在变量的边给出。LFCM是由基因调控网络驱动的，其中对应于转录因子的调控边缘连接空间聚集的基因。我们在这个模型上展示了可识别性结果，并设计了一个一致的三阶段算法，该算法发现了观察到的节点的集群，集群上的偏序，最后是观察到的节点和潜在节点的整个结构。我们评估我们的方法在一个合成的设置，证明它的能力，几乎完美地恢复地面真相聚类，即使在相对较低的样本量，以及恢复显着数量的边缘从观察到的变量的潜在因素的能力。最后，我们将我们的方法应用于半合成环境中的蛋白质质谱数据与已知的地面真实网络，并实现了地面真实变量聚类的几乎完美的恢复。
2022-07-05 stat.ME
Bayesian Propensity Score-Augmented Latent Factor Models for Causal Inference with Time-Series Cross-Sectional Data
University of Michigan（密歇根大学）
本文提出一种贝叶斯倾向分数增强的潜在因子模型，用于时间序列横截面数据的因果推断，通过引入潜在因子载荷显式建模处理分配机制，并通过分层等方法灵活整合倾向分数，提升跨分层的异质性分析能力。
2026-03-26 stat.ME
Balancing Weights for Causal Inference in Observational Factorial Studies
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Berkeley（加州大学伯克利分校）
本文提出了一种针对多因素观察性研究的加权方法，用于实现因子效应的无偏估计，同时处理缺失治疗组合和协变量平衡问题。
2025-12-02 stat.ME
Mendelian randomization with a binary exposure variable: interpretation and presentation of causal estimates
孟德尔随机化使用遗传变异对可改变的暴露进行因果推断。如果遗传变异满足工具变量假设，则变异与结果之间的关联意味着暴露对结果的因果影响。二元暴露会出现并发症，即连续风险因素的二分化（例如，高血压是血压的二分化）。这可能会导致违反排除限制假设：即使二元暴露没有改变，遗传变异也可以通过连续风险因子影响结果。如果基础连续风险因子满足工具变量假设，则二元暴露的因果推断对连续风险因子有效。二元暴露的因果估计假设因果效应在二分点是一个逐步函数。即使这样，估计也需要进一步的参数假设。在单调性下，因果估计代表“顺从者”的平均因果效应，顺从者是指如果有遗传变异，则存在二元接触，否则不存在二元接触的个人。与随机试验不同，遗传依从者不太可能是人口中的一个大的或代表性的亚组。在同质性下，暴露对结果的因果影响被假设为在所有个体中是恒定的;这通常是一个不切实际的假设。我们在这里提供的方法，因果关系估计与二进制曝光（虽然受到所有上述警告）。应根据基础连续变量对具有二分二值暴露的孟德尔随机化研究进行概念化。
2018-04-16 stat.ME
Regression-based causal inference with factorial experiments: estimands, model specifications, and design-based properties
析因设计因其能够同时适应多个因素而被广泛使用。具有主效应和一些交互作用的基于因子的回归是下游数据分析的主要策略，通过一次回归提供点估计量和标准误。从设计为基础的角度来看，这些方便的估计的理由需要量化的分配机制条件下的潜在结果的抽样性能。为此，我们从饱和和不饱和模型中推导出基于因子的回归估计的抽样性质，并证明了Wald型推断的稳健标准误的适当性。然后，我们量化的偏置方差之间的权衡饱和和不饱和的模型从设计为基础的角度来看，并建立一个新的设计为基础的高斯-马尔可夫定理，确保后者的增益效率时，忽略的滋扰效应确实不存在。作为这个过程的副产品，我们统一了各种文献中因子效应的定义，并提出了一个位置转移策略，用于从基于因子的回归中直接估计因子效应。我们的理论和模拟表明，使用基于因子的推理一般的阶乘效应，最好是根据零滋扰效应的先验知识与简约的规格。
2021-12-08 stat.ME
Non-Parametric Causality Detection: An Application to Social Media and Financial Data
行为金融学认为，股票市场收益受到情绪、社会和心理因素的影响。最近的几项研究通过提供股票市场价格与使用社交媒体数据测量的集体情绪指数之间相关性的证据来支持这一理论。然而，纯粹的相关性分析不足以证明股市回报受到此类情绪因素的影响，因为股市价格和集体情绪都可能受到第三个不可测量因素的驱动。考虑到股票市场数据的复杂性，通过应用多元回归模型来控制可能影响研究的因素具有挑战性。关于模型线性或非线性的错误假设以及模型质量标准的不准确性可能导致误导性结论。在这项工作中，我们提出了一个新的框架因果推断，不需要任何假设的变量之间的统计关系的研究，可以有效地控制大量的因素。我们应用我们的方法来估计社交媒体上发布的信息可能对四家大公司的股市回报产生的因果影响。我们的研究结果表明，社交媒体数据不仅与股市回报相关，而且还会影响它们。
2017-06-11 stat.ME
Identifying Direct Causal Effects in Latent Factor Models by Accounting for Unidentified Parents
German Aerospace Center (DLR), Institute of Data Science（德国航空航天中心数据科学研究所）；Technische Universität Berlin（柏林工业大学）；Institute of Mathematics, École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院数学研究所）；Institute of Computer Science, University of Potsdam（波茨坦大学计算机研究所）；Department of Mathematics, TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院数学系）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对线性结构方程模型中显式建模的潜在变量，提出一种新的识别准则，通过递归识别方案并显式考虑未识别直接效应的因果父节点，结合网络流计算解决组合搜索问题，从而在密集混淆图中识别观测变量间的直接因果效应。
2026-05-27 stat.ME
Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning
School of Mathematical Sciences, Zhejiang University（浙江大学数学科学学院）
本文提出解耦因果变分自编码器（DCVAE），通过将因果流集成到有监督VAE框架中，解决传统解耦表示学习假设因子独立的局限，并在因果解耦、干预实验及下游任务中取得优于现有方法的性能。
2024-12-30 cs.LG stat.ME
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念，潜在的结果，在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上，费舍尔的尖锐的原假设的情况下，2-水平析因实验。该框架允许从有限的人口统计推断，允许定义和估计的被估量以外的“平均因子效应”，并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
Finite Population Inference for Factorial Designs and Panel Experiments with Imperfect Compliance
Institute of Economics, PUC-Chile（智利天主教大学经济研究所）
本文提出了一种有限总体框架，用于分析因子设计和面板实验中不完全合规性的因果效应，并通过模拟验证了估计器的有效性。
2026-01-23 econ.EM stat.ME
A Bayesian semi-parametric approach to causal mediation for longitudinal mediators and time-to-event outcomes with application to a cardiovascular disease cohort study
针对队列研究中纵向中介变量和时变混杂因素导致的因果中介分析复杂问题，提出基于贝叶斯加法回归树（BART）模型的方法，可处理连续/二元时变变量及竞争事件，应用于ARIC队列研究评估药物对心血管疾病死亡时间的影响。
2024-11-27 stat.AP stat.ME
Causal Networks of Infodemiological Data: Modelling Dermatitis
本文构建因果网络模型分析美国434县134周的多源信息流行病学数据，揭示焦虑和NO2是皮炎的主要解释因素，并预测PM2.5减排25%可使皮炎患病率降低18%。
2025-04-14 stat.AP stat.ME
Why do you take that route?
本文的目的是确定研究者感兴趣的变量中的特定上下文因素是否因果地影响驾驶员的路径选择行为。据我们所知，有有限的文献，考虑各种因素对路径选择的因果推理的基础上的影响，然而，收集数据集是敏感的上述因素是具有挑战性的，现有的方法通常只考虑一般因素激励驾驶员路径选择行为。为了填补这些空白，我们使用沉浸式虚拟环境（IVE）工具进行了一项研究，以获取驾驶员的路径选择行为数据，除了传统的测量变量外，还包括驾驶员的网络熟悉度，教育水平，财务关注度等。具有上下文感知，高保真的属性，IVE数据提供了机会，将人为相关因素的影响纳入路由选择的因果分析，并提出了一个更可定制的研究工具，用于调查因果因素的路径选择在网络路由。这种因果分析为驾驶员的改道决策提供了定量证据。
2019-05-12 cs.CY stat.AP stat.ME
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
University College London（伦敦大学学院）；The Hong Kong University of Science and Technology（香港科技大学）
针对真实场景中语义因子多存在因果依赖而非独立的问题，提出含因果层的CausalVAE框架，可学习可解释因果表示、识别DAG因果关系并生成反事实数据，且在一定监督下具备模型可识别性。
2023-12-19 cs.LG stat.ML
Causal Discovery with Multi-Domain LiNGAM for Latent Factors
Guangdong University of Technology（广东工业大学）；RIKEN（理化学研究所）；Shiga University（滋贺大学）；Pazhou Lab（琶洲实验室）；Peking University（北京大学）；Okayama University（冈山大学）；Foshan University（佛山科学技术学院）
从观测数据中发现潜在因素之间的因果结构是一个特别具有挑战性的问题。尽管针对这个问题做了一些努力，但现有的方法仅针对单域数据。在本文中，我们提出了多域线性非高斯非循环模型的潜在因素（MD-LiNA），其中的潜在因素之间的因果结构是共享的所有域，我们提供了它的识别结果。该模型丰富了多领域数据的因果表示。我们提出了一个综合的两阶段算法来估计模型。特别是，我们首先定位潜在的因素和估计的因素负载矩阵。然后，为了揭示共享潜在兴趣因素之间的因果结构，我们基于外部影响之间的独立关系以及多领域潜在因素与潜在兴趣因素之间的依赖关系的表征推导出评分函数。我们表明，所提出的方法提供了局部一致的估计。合成和真实世界的数据上的实验结果表明，我们的方法的有效性和鲁棒性。
2022-04-23 cs.LG stat.ML
Causal Inference in Possibly Nonlinear Factor Models
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出一种基于局部主子空间逼近（结合K近邻与主成分分析）的因果推断方法，处理带噪声代理的非线性因子混杂结构，并构建双重稳健估计量，实证于政治关联对股票收益的影响。
2026-10-01 econ.EM stat.ME stat.ML
From Causal Pairs to Causal Graphs
UNC Charlotte（北卡罗来纳大学夏洛特分校）
从观测数据中学习因果结构仍然是一个不平凡的任务，由于各种因素，如有限的采样，未观察到的混杂因素，测量误差。基于约束和基于分数的方法往往遭受高计算复杂性，由于估计的有向无环图（DAG）的组合性质。受“因果对”NIPS 2013因果挑战研讨会的启发，在本文中，我们采取了不同的方法，并在所有可能的图形上生成概率分布，这些图形由响应研讨会挑战而提出的因果对特征提供信息。本文的目标是提出基于这种概率信息的新方法，并将其性能与传统和最先进的方法进行比较。我们的实验，在合成和真实数据集上，表明我们提出的方法不仅具有统计相似或更好的性能比一些传统的方法，而且计算速度更快。
2022-11-08 cs.AI cs.LG stat.ME
Doubly Robust Inference in Causal Latent Factor Models
Columbia University（哥伦比亚大学）；Cornell Tech（康奈尔科技学院）
针对数据丰富场景下未观测混杂的平均处理效应估计问题，提出结合结果插补、逆概率加权与新型矩阵补全交叉拟合的双稳健估计量，证明其参数速率收敛的统计性质并通过仿真验证有效性。
2024-10-29 cs.LG econ.EM stat.ME
Concept-free Causal Disentanglement with Variational Graph Auto-Encoder
Southern University of Science and Technology（南方科技大学）；Gongsheng Matrix（Gong Sheng Matrix）
针对图数据解缠表示学习，提出无概念因果解缠方法，通过紧上界近似和因果解缠层构建CCVGAE及CC-Meta-Graph，在AUC上分别提升29%和11%。
2023-11-17 cs.AI cs.LG stat.ME
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
Neuro-Causal Factor Analysis
University of Copenhagen（哥本哈根大学）；New York University（纽约大学）；University of Chicago（芝加哥大学）；KTH Royal Institute of Technology（KTH皇家理工学院）
该研究将因果结构学习与深度生成模型结合，提出神经因果因子分析（NCFA）框架，在合成与真实数据上，NCFA比标准因子分析重构误差更优，比标准变分自编码器潜在分布恢复更优，且具稀疏性、低复杂度与因果可解释性优势。
2026-08-25 cs.LG stat.ML
Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms
University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文从独立因果机制角度定义因果解耦，提出ICM-VAE框架，利用非线性流函数建模因果机制并结合辅助标签学习解耦先验，理论上证明可辨识性，实验表明能提升干预鲁棒性与反事实生成能力。
2024-08-23 cs.LG stat.ML
Interpretability and causal discovery of the machine learning models to predict the production of CBM wells after hydraulic fracturing
Southwest Petroleum University（西南石油大学）；Institute for Artificial Intelligence, Southwest Petroleum University（西南石油大学人工智能研究院）；State Key Laboratory of Oil and Gas Reservoir Geology and Exploitation（油气藏地质及开发工程国家重点实验室）
机器学习方法在煤层气井水力压裂后产量预测中得到了广泛的研究，但由于泛化能力低、缺乏可解释性等原因，仅在实践中得到应用。本文提出了一种从观测数据中发现潜在因果关系的新方法，旨在找到一种间接的方式来解释机器学习的结果。基于因果发现理论，推导出具有显式输入、输出、处理和混杂变量的因果图。然后，利用SHAP分析了各因素对生产能力的影响，间接解释了机器学习模型。该方法能够捕捉因素与输出之间潜在的非线性关系，弥补了传统机器学习基于因素相关性分析的局限性。对煤层气数据的实验表明，该方法检测出的煤层气产量与地质/工程因素之间的关系，与实际的物理机制是一致的。同时，与传统方法相比，可解释的机器学习模型在产能预测方面具有更好的性能，平均精度提高20%。
2022-12-21 cs.LG cs.NA math.NA
Compositional Hierarchical Tensor Factorization: Representing Hierarchical Intrinsic and Extrinsic Causal Factors
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Tensor Vision Technologies（张量视觉技术公司）
视觉对象是由一个递归层次的知觉整体和部分，其属性，如形状，反射率和颜色，构成了一个层次的内在因果因素的对象外观。然而，物体外观是物体的内在和外在因果因素的组成结果，其中外在因果因素与照明和成像条件有关。因此，本文提出了一个统一的张量模型的整体和部分，并介绍了一个组成层次张量分解，解开层次因果结构的对象图像形成，并纳入多线性块张量分解作为一个特殊情况。所得到的对象表示是整体和部分表示的可解释的组合选择，其使得对象识别对遮挡鲁棒并且减少训练数据要求。我们通过在一个极其简化的合成图像数据集上进行训练，在人脸识别的背景下演示了我们的方法，并在两个数据集上报告了人脸验证结果-Freiburg数据集和由真实世界图像组成的Labeled Face in the Wild（LFW）数据集，从而证实了我们的方法适用于数据匮乏的领域。
2020-01-01 cs.AI cs.CV cs.LG
Large-Scale Differentiable Causal Discovery of Factor Graphs
Genentech（基因泰克）；Stanford University（斯坦福大学）
因果推断的一个共同主题是学习观察变量之间的因果关系，也称为因果发现。这通常是一个艰巨的任务，考虑到大量的候选因果图和搜索空间的组合性质。也许是因为这个原因，到目前为止，大多数研究都集中在相对较小的因果图上，最多有数百个节点。然而，生物学等领域的最新进展使得能够生成具有数千种干预措施的实验数据集，然后对数千个变量进行丰富的分析，从而增加了大型因果图模型的机会和迫切需求。在这里，我们引入因子有向无环图（f-DAGs）的概念，将搜索空间限制在非线性低秩因果交互模型上。结合这种新的结构假设与最近的进展，弥合因果发现和持续优化之间的差距，我们实现了因果发现上千个变量。此外，作为一个模型的统计噪声的影响，这个估计过程中，我们研究了一个模型的边缘扰动的f-DAG骨架的基础上随机图和量化的影响，这种扰动的f-DAG排名。这种理论分析表明，候选f-DAG的集合比整个DAG空间小得多，因此可能更适合作为难以评估底层骨架的高维区域中的搜索空间。我们提出了可区分的因果发现的因素图（DCD-FG），一个可扩展的实现-DAG约束的因果发现高维介入数据。DCD-FG使用高斯非线性低秩结构方程模型，与最先进的方法相比，在两种模拟以及最近的大规模单细胞RNA测序数据集（具有数百种遗传干预）中均显示出显着改进。
2022-10-08 cs.LG q-bio.GN stat.ML
Signal Processing over Product DAGs: Causal Shifts and Filters
针对双域线性因果信号，提出一种新的DAG乘积算子，使乘积图上的SEM、傅里叶模式、因果移位及滤波器均可按因子分解，避免求逆大型传递闭包矩阵。
2026-10-01 eess.SP stat.ML
Causal Discovery of Flight Service Process Based on Event Sequence
Civil Aviation University of China（中国民航大学）；The Second Research Institute of Civil Aviation Administration of China（中国民航局第二研究所）
民航业的发展对机场地面保障服务效率的要求不断提高。在现有的地面保障研究中，尚未有直接从地面保障日志中获得支持的过程模型来研究服务节点与航班延误之间的因果关系。大多数地面支持研究主要使用机器学习方法来预测航班延误，它们所基于的航班支持模型是一个理想的模型。该研究没有对地面支持环节背后的因果机制进行深入研究，也没有揭示航班延误的真正原因。因此，机器学习对航班延误的预测存在一定的偏差，基于研究的理想模型与实际服务过程存在一定的偏差。因此，从保证日志中获取过程模型并分析其因果关系具有现实意义。然而，现有的过程因果因素发现方法只在因果充分性假设成立的情况下进行一定的研究，没有考虑潜在变量的存在。因此，本文提出了一个框架来实现过程因果因素的发现，而无需假设因果充分性。采用优化后的模糊挖掘过程模型作为服务基准模型，采用局部因果发现算法发现因果因素。在此框架下，本文提出了一种新的马尔可夫毯发现算法，不假设因果充分发现因果因素，并使用基准数据集进行测试。最后，使用实际的飞行服务数据。
2021-04-28 cs.LG stat.AP
Weakly Supervised Disentangled Generative Causal Representation Learning
The Hong Kong University of Science and Technology（香港科技大学）；Zhejiang Laboratory（之江实验室）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
提出了一种在适当的监督信息下的分解能量因果表示（DEAR）学习方法.与现有的解开方法，强制独立的潜变量，我们考虑的一般情况下，潜在的利益因素可以是因果关系。我们发现，以前的方法与独立的先验未能解开因果相关的因素，即使在监督。基于这一发现，我们提出了一种新的解纠缠学习方法，称为DEAR，使因果可控生成和因果表示学习。这个新配方的关键成分是使用结构因果模型（SCM）作为双向生成模型的先验分布。然后，使用合适的GAN算法与关于地面实况因素及其潜在因果结构的监督信息结合，与生成器和编码器联合训练先验。我们提供了理论证明所提出的方法的可识别性和渐近收敛。我们进行了大量的实验，合成和真实的数据集，以证明的有效性，DEAR因果可控生成，和下游任务的样本效率和分布鲁棒性方面的学习表示的好处。
2022-08-24 cs.AI cs.LG stat.ML
Cycles in Causal Learning
Google Research（谷歌研究院）
在因果学习中，我们希望学习变量之间的因果关系，以便我们能够正确地推断干预的效果。虽然循环结构和非循环结构之间的差异可能只是一条边，但循环因果结构在干预下具有质的不同行为：当干预的下游效应传播回源变量时，循环会导致反馈回路。我们提出了三个理论观察概率分布与自指因子分解，即分布，可以用图形表示的一个周期。首先，我们证明了两个变量的自指分布实际上是独立的。其次，我们证明了N个变量的自参考分布具有零互信息。最后，我们证明了自指分布，因式分解在一个周期，也因式分解，好像周期被逆转。这些结果表明，即使观测数据表明变量之间的独立性，也可能存在循环因果依赖。基于估计互信息的方法，或基于独立因果机制的推理，很可能无法学习循环因果结构。我们鼓励未来的工作在因果学习，仔细考虑周期。
2020-07-24 cs.LG stat.ML
Variational Auto-Encoder Architectures that Excel at Causal Inference
University of Alberta（阿尔伯塔大学）；Amii（阿尔伯塔机器智能研究所）
从观测数据（无论是在个人或群体水平上）估计因果效应对于做出许多类型的决策至关重要。解决这一任务的一种方法是学习数据底层因素的分解表示;当存在混淆因素（影响原因和结果）时，这变得更具挑战性。在本文中，我们采用了一种生成方法，该方法基于变分自动编码器的最新进展，同时学习这些潜在因素以及因果效应。我们提出了一个渐进的模型序列，每个模型都比前一个模型有所改进，最终形成混合模型。我们的实证结果表明，所有这三个模型的性能优于两个国家的最先进的歧视，以及其他生成方法在文献中。
2021-11-11 cs.AI cs.LG stat.ML
Causal Deep Learning
IPAM, University of California, Los Angeles CA, USA（IPAM，加州大学洛杉矶分校）；Tensor Vision, Los Angeles CA, USA（Tensor Vision）
本研究基于张量因子分析推导因果深度神经网络架构，分别用含因果胶囊与张量变换器的网络、多线性投影网络解决前向与反向因果问题，提出分段张量模型应对欠定问题，通过块代数实现深度可扩展架构，并以人脸图像验证。
2025-06-16 cs.AI cs.CV cs.LG
Propensity score with factor loadings: evaluating the effect of the Paris Agreement on the returns of European stocks
Sapienza University of Rome（罗马第一大学）
本文提出一种基于潜在因子载荷逆倾向得分加权的面板数据因果推断新方法，推导了ATT的三步估计与大样本性质，并应用于评估《巴黎协定》对欧洲发行绿色债券企业股票收益的短期负向因果效应。
2026-10-15 econ.EM stat.AP
Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case
TUM（慕尼黑技术大学）；Ruhr University Bochum（博德姆鲁尔大学）；Institute for Neural Computation, Faculty for Computer Science（神经计算研究所，计算机科学学院）
该研究识别出双变量分类场景下影响基于梯度的因果发现的两类分布偏差，验证了相关模型易受其影响，提出消除因果分解竞争可提升模型鲁棒性。
2025-09-01 cs.LG stat.ML
Counterfactual Data Augmentation using Locally Factored Dynamics
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
许多动态过程，包括机器人控制和强化学习（RL）中的常见场景，都涉及一组相互作用的子过程。虽然子过程不是独立的，但它们之间的相互作用通常是稀疏的，并且在任何给定时间步的动态通常可以分解为局部独立的因果机制。这种局部因果结构可以被利用来提高序列预测和离线强化学习的样本效率。我们通过引入局部因果模型（LCM）来正式化这一点，该模型是通过状态空间的一个子集进行调节而从全局因果模型中诱导出来的。我们提出了一种方法来推断这些结构的面向对象的状态表示，以及一种新的算法，用于反事实数据增强（CoDA）。CoDA使用局部结构和经验重放来生成在全局模型中因果有效的反事实经验。我们发现，CoDA显着提高了RL代理在本地因素的任务，包括批量约束和目标条件设置的性能。
2020-12-03 cs.AI cs.LG cs.RO
Grasping Causality for the Explanation of Criticality for Automated Driving
German Aerospace Center (DLR) e.V.（德国航空航天中心（DLR））；Robert Bosch GmbH（罗伯特·博世有限公司）；Technical University of Kaiserslautern（凯泽斯劳滕工业大学）
SAE 4级和5级自动驾驶系统的验证和确认是一个多方面的挑战，经典的统计考虑变得不可行。对于这一点，当代的方法建议分解成场景类结合统计分析，其出现的关键性。不幸的是，这些关联方法可能会产生虚假的推论，或者更糟的是，无法识别导致关键场景的因果关系，而这些场景反过来又是自动驾驶系统开发和保护的先决条件。为了将因果知识纳入这些过程中，这项工作引入了因果查询的形式化，其答案有助于对自动驾驶安全相关影响因素的因果理解。这种形式化的因果知识可用于指定和实施抽象的安全原则，这些原则可证明降低与这些影响因素相关的关键性。朱迪亚珍珠的因果关系理论的基础上，我们定义的因果关系作为一个因果结构与上下文，都涉及到一个领域的本体论，重点在于对这些影响因素的关键性的影响进行建模，通过一个合适的度量。为了评估建模质量，我们提出了各种量化指标，并在一个小例子上进行了评估。由于数据的可用性和质量对于有效估计因果查询的答案至关重要，我们还讨论了对真实世界和合成数据采集的要求。因此，我们致力于在安全流程的核心建立因果考虑因素，这是确保自动驾驶系统安全运行所迫切需要的。
2022-10-27 cs.AI stat.AP
Generative causal explanations of black-box classifiers
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）
我们开发了一种方法，用于生成因果事后解释的黑盒分类器的基础上学习的低维表示的数据。解释是因果关系的意义上说，改变学习的潜在因素产生的分类器输出统计的变化。为了构建这些解释，我们设计了一个学习框架，利用生成模型和因果影响的信息理论措施。我们的目标函数鼓励生成模型忠实地表示数据分布和潜在因素对分类器输出有很大的因果影响。我们的方法学习全局和局部解释，与任何承认类概率和梯度的分类器兼容，并且不需要标记属性或因果结构知识。使用仔细控制的测试用例，我们提供的直觉，阐明了我们的目标的功能。然后，我们展示了我们的方法在图像识别任务的实际效用。
2020-10-22 cs.AI cs.LG stat.ML
Causal Inference from Strip-Plot Designs in a Potential Outcomes Framework
当处理具有析因结构且因子水平难以改变时，条形图设计非常有用。我们开发了一个基于随机化的因果推理理论，从这样的设计在一个潜在的结果框架。对于任意处理对比，提出了一个无偏估计量，给出了其抽样方差的表达式，并得到了抽样方差的保守估计量。这个保守估计有一个非负偏置，并成为无偏下块间可加性，一个条件比奈曼严格可加性温和。这种方差估计的极小极大性质也建立。模拟结果的覆盖率产生的置信区间借给支持理论上的考虑。
2018-05-17 math.ST stat.TH
Statistical and Causal Robustness for Causal Null Hypothesis Tests
本文提出将半参数理论与证据因子相结合的方法，构建基于K个半参数估计量联合渐近正态性的因果零假设检验，在至少一个候选因果模型正确时同时实现统计与因果稳健性，并通过模拟和两项纵向研究验证其有效性。
2024-06-30 stat.ME
The causal interpretation of acceleration factors
Oslo University Hospital（奥斯陆大学医院）；University of Oslo（奥斯陆大学）；Leiden University Medical Center（莱顿大学医学中心）；Leiden University（莱顿大学）；Erasmus Medical Center, University Medical Center Rotterdam（伊拉斯姆斯医学中心，鹿特丹大学医学中心）
本文通过结构因果模型探讨了加速因子在AFT模型中的因果解释，证明其在存在 frailty 和治疗异质性时的有效性，并通过模拟展示其优于危险比。
2026-03-17 math.ST stat.ME stat.TH
Structural Causality-based Generalizable Concept Discovery Models
University of Virginia（弗吉尼亚大学）
本文提出结合变分自编码器与结构因果模型的方法，从固定生成因子中学习随下游任务变化的概念，实现可泛化且灵活的概念发现。
2024-10-20 cs.LG stat.ME
CITRIS: Causal Identifiability from Temporal Intervened Sequences
University of Amsterdam（阿姆斯特丹大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Qualcomm AI Research（高通人工智能研究院）
从视觉观察中理解动力系统的潜在因果因素被认为是复杂环境中智能体推理的关键一步。在本文中，我们提出了CITRIS，一个变分自编码器框架，学习因果关系表示的图像中，潜在的因果因素可能被干预的时间序列。与最近的文献相比，CITRIS利用时间性和观察干预目标来识别标量和多维因果因素，如3D旋转角度。此外，通过引入规范化流程，CITRIS可以很容易地扩展到利用和解开已经预训练的自动编码器获得的表示。扩展以前的结果标量因果因素，我们证明了可识别性在一个更一般的设置，其中只有一些组件的因果因素的干预措施的影响。在3D渲染图像序列的实验中，CITRIS在恢复潜在的因果变量方面优于以前的方法。此外，使用预训练的自动编码器，CITRIS甚至可以推广到因果因素的不可见实例，为因果表示学习的模拟到真实泛化开辟了未来的研究领域。
2022-06-15 cs.AI cs.LG stat.ME
On the Three Demons in Causality in Finance: Time Resolution, Nonstationarity, and Latent Factors
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）
本文从因果视角系统分析金融时间序列中的时间分辨率不匹配、非平稳性和潜在因子三大难题，并提出系统性解决方案，为后续研究奠定基础。
2024-01-12 cs.LG q-fin.ST stat.ME
Causal Relationship Network of Risk Factors Impacting Workday Loss in Underground Coal Mines
University of Pittsburgh（匹兹堡大学）；New Mexico Institute of Mining and Technology（新墨西哥矿业技术学院）；University of New Mexico（新墨西哥大学）
本研究采用新颖的因果AI方法GGES，基于NIOSH数据建立地下煤矿工作日损失影响因素的因果关系网络，发现总采矿经验为最关键因素，模型性能AP、AR、AHP、AHR分别达0.694、0.653、0.386、0.345。
2024-01-24 cs.AI cs.LG stat.ME
Causal Graph Discovery with Retrieval-Augmented Generation based Large Language Models
Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61）；University of Sydney（悉尼大学）；University of New South Wales（新南威尔士大学）
提出一种结合 LLM 内置知识、科学文献检索与实验数据的 RAG 因果图发现方法，通过关联提取和因果验证提升基准数据集上的因果图质量，并支持依据新证据更新因果图。
2024-06-18 cs.CL cs.LG stat.ME
Disentanglement of Latent Representations via Causal Interventions
University of Auckland（奥克兰大学）
本文提出一种结合因果理论与向量量化变分自编码器的解耦方法，通过因果图干预实现图像单一因素的原子转换，并引入动作检索任务，在不平衡数据下也能精确操控高层语义属性。
2023-09-23 cs.CV cs.DM cs.LG
Do-Operation Guided Causal Representation Learning with Reduced Supervision Strength
USC（南加州大学）；USC Information Sciences Institute（南加州大学信息科学研究所）
因果表示学习已经被提出来编码在高维数据中呈现的因素之间的关系。然而，现有的方法仅使用大量的标记数据，而忽略了由相同因果机制生成的样本遵循相同因果关系的事实。在本文中，我们试图探索这些信息，利用做操作，以减少监管力度。我们提出了一个框架，通过交换从一对输入编码的潜在原因和影响因素来实现做操作。此外，我们还确定了现有的因果表征指标的不足之处，经验和理论，并引入新的指标更好的评估。在人工数据集和真实数据集上进行的实验表明，与现有方法相比，该方法具有明显的优越性。
2022-11-08 cs.AI cs.LG stat.ME
Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
University of California, Riverside（加州大学河滨分校）；University of Central Florida（中佛罗里达大学）
针对最优治疗方案中二元风险因素的遗漏混杂问题，提出基于仿真的敏感性分析方法和正式边界策略，以量化未测量混杂因素强度并校正个体化效应估计偏差。
2025-09-12 cs.LG stat.ME stat.ML
