Heavy Tailed Homogeneous Structural Causal Models
University of Georgia（佐治亚大学）
本文提出HT-HSCM模型，用于在厚尾噪声驱动的因果发现中识别因果方向，通过递归算法恢复模型中的祖先冲击响应。
2026-04-05 math.ST stat.TH
Bayesian network structure learning with causal effects in the presence of latent variables
Queen Mary University of London（伦敦玛丽女王大学）
潜在变量可能导致虚假的关系，可能被误解为因果关系。在贝叶斯网络（BN）中，这种挑战被称为因果不足下的学习。假设因果关系不充分的结构学习算法倾向于重建BN的祖先图，其中双向边表示混淆，有向边表示直接或祖先关系。本文描述了一种混合结构的学习算法，称为CCHM，它结合了基于约束的部分的cFCI和爬山得分为基础的学习。基于分数的过程结合了Pearl的do-calculus来测量因果效应并定位否则将保持无向的边缘，假设BN是线性结构方程模型，其中数据遵循多元高斯分布。基于随机网络和已知网络的实验表明，CCHM在重建真正的祖先图方面提高了最先进的水平。
2020-08-18 cs.AI cs.LG stat.ML
Learning linear acyclic causal model including Gaussian noise using ancestral relationships
Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科艺术研究院）
本文提出一种时间复杂度低于PC-LiNGAM的算法，用于学习线性因果模型的分布等价模式，通过改进的因果祖先寻找算法处理高斯扰动。
2024-08-31 cs.LG stat.ME
$σ$-Maximal Ancestral Graphs
Korteweg-de Vries Institute（克罗内克-德·维雷斯研究所）；University of Amsterdam（阿姆斯特丹大学）
本文提出$σ$-最大祖先图（$σ$-MAGs），扩展MAGs以表示含潜在变量的循环有向图，并刻画其马尔可夫等价类。
2025-06-30 cs.AI cs.DM cs.DS
Expert-Aided Causal Discovery of Ancestral Graphs
Getulio Vargas Foundation（热图利奥·瓦加斯基金会）；Mila Quebec AI Institute（米拉魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；University of Münster（明斯特大学）；Aalto University（阿尔托大学）；University of Manchester（曼彻斯特大学）；University of São Paulo（圣保罗大学）；Basque Center for Applied Mathematics（巴斯克应用数学中心）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出了一种专家辅助的因果发现算法，通过强化学习方法在祖先图上进行分布推断，并整合提前和不确定的专家知识，提升了因果发现的准确性。
2026-03-06 cs.LG stat.ML
Learning causal graphs using variable grouping according to ancestral relationship
Graduate School of Informatics（信息科学研究生院）；Institute for Liberal Arts and Sciences（人文科学研究所）；Kyoto University（京都大学）
针对小样本下因果图估计精度低的问题，本文在LiNGAM假设下提出基于祖先关系的变量分组算法CAG，实验证明其在稀疏小样本场景下精度和计算效率均优于现有方法。
2024-03-21 cs.LG stat.ML
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Causal ASCEND: Scalable Two-tier Causal Discovery on High Dimensional Multi-omics Data
Department of Informatics（信息学院）
针对高维多组学数据因果发现忽略层级结构或计算不可行的问题，提出基于约束的双层因果框架ASCEND，采用分治策略降低计算复杂度，实现基因组尺度高效精准的因果关系推断。
2026-07-13 cs.LG q-bio.GN stat.ML
Separators and Adjustment Sets in Causal Graphs: Complete Criteria and an Algorithmic Framework
Radboud University Nijmegen（拉德堡德大学（奈梅亨））
从非实验数据中对因果效应的可识别性进行原则性推理是图因果模型的一个重要应用。本文重点讨论的影响，可识别的协变量调整，一种常用的估计方法。我们提出了一个算法框架，有效地测试，构建和枚举$m$ -分离器的祖先图（AG），一类图形因果模型，可以表示潜在的混淆因素的存在的不确定性。此外，我们证明了减少因果效应识别协变量调整$m$ -分离的子图的有向无环图（DAG）和最大祖先图（MAG）。联合起来，这些结果产生建设性的标准，其特征在于所有的调整集以及所有的最小和最小的调整集，用于识别所需的因果效应与多变量暴露和潜在的混淆的存在下的结果。我们的研究结果扩展了这些问题的特殊情况下，现有的几个解决方案。我们的高效算法使我们能够经验性地量化协变量调整和随机DAG和MAG中的do-calculus之间的可识别性差距，涵盖了广泛的场景。我们的算法的实现在R包dagitty中提供。
2019-01-24 cs.AI 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
Causal Models for Growing Networks
针对增长网络，提出基于因果结构对称性的有向无环图模型框架，枚举并划分了96个模型为21类，其中部分模型适合分布式评估，为关系数据因果推断提供自然基线。
2025-04-01 cs.DM cs.SI math.CO
Local Causal Discovery with Background Knowledge
Peking University（北京大学）；Renmin University of China（中国人民大学）
本研究针对因果发现中先验知识利用的问题，提出融合多类因果背景知识的局部结构学习方法及对应因果关系识别准则，经多类实验验证有效且高效，可应用于公平机器学习。
2024-08-15 cs.LG stat.ML
Multi-omic Causal Discovery using Genotypes and Gene Expression
Department of Informatics（信息学院）
GENESIS算法利用基因型作为因果锚点，通过约束检验推断转录组中的祖先关系，在合成和真实数据上验证，为复杂性状因果通路发现提供新途径。
2025-05-21 cs.LG q-bio.GN
An efficient search-and-score algorithm for ancestral graphs using multivariate information scores
CNRS（法国国家科学研究中心）；Institut Curie（居里研究所）；PSL University（巴黎文理研究大学）；Sorbonne University（索邦大学）
本文提出一种基于多元信息评分的贪心搜索-评分算法，用于从含潜在变量的观测数据中学习祖先图，并通过局部信息评分策略在保证效率的同时超越现有因果发现方法。
2024-12-23 cs.IT cs.LG math.IT
On the Representation of Pairwise Causal Background Knowledge and Its Applications in Causal Inference
Peking University（北京大学）；Xiaomi Corporation（小米公司）；Inspur Industrial Innovation (Shandong) Intelligent Manufacturing Co., Ltd.（Inspur工业创新（山东）智能制造有限公司）；Renmin University of China（中国人民大学）
本文提出通过直接因果子句（DCC）统一表示三种成对因果背景知识，并证明因果效应的可识别性仅依赖于分解的MPDAG。
2026-01-03 cs.AI cs.LG stat.ML
Collaborative Causal Discovery with Atomic Interventions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们引入了一个新的协作因果发现问题，通过该问题，我们模拟了一个常见的场景，其中我们有多个独立的实体，每个实体都有自己的因果图，目标是同时学习所有这些因果图。我们研究这个问题没有因果充分性假设，使用最大祖先图（MAG）模型的因果图，并假设我们有能力积极执行独立的单顶点（或原子）干预的实体。如果$M$底层（未知）的因果图的实体满足聚类的自然概念，我们给出算法，利用这个属性，并恢复所有的因果图使用大致对数的$M$原子干预每个实体。这些显著少于分别学习每个因果图所需的每个实体的$n$原子干预，其中$n$是因果图中可观察节点的数量。我们补充我们的结果与下限，并讨论我们的合作设置的各种扩展。
2021-06-06 cs.AI cs.LG
Rate-Based Causal Discovery for Heavy-Tailed Models
University of Georgia（佐治亚大学）
本研究针对重尾齐次结构因果模型提出极值最小比率估计量，构建自适应阈值估计因果顺序与祖先关系，经模拟数据和多瑙河上游河流流量数据验证，实现极端场景下的因果发现。
2026-10-14 stat.ME
Causal Discovery with Generalized Linear Models through Peeling Algorithms
本文提出一种基于广义结构方程模型的因果发现新方法，通过自底向上和自顶向下的剥离算法在存在未测量混杂因素时重建祖先关系图并估计去混杂后的亲子效应，理论证明了模型可识别性，并在数值实验和阿尔茨海默病基因调控网络应用中验证了有效性。
2023-10-25 stat.ME stat.ML
A General Framework on Conditions for Constraint-based Causal Learning
University College London（伦敦大学学院）；Institution Name（机构名称）
本文提出一个一般框架，用于研究约束因果学习算法的正确性条件，通过属性概念表示算法，并为PC算法提供精确条件，同时探讨其他因果发现算法的条件及改进方向。
2025-06-30 cs.AI math.ST stat.ME
Unsuitability of NOTEARS for Causal Graph Discovery
causaLens
因果发现方法旨在从观测数据中识别表示因果关系的DAG结构。在这篇文章中，我们强调，重要的是要测试这些方法在实际环境中的鲁棒性。作为我们的主要例子，我们分析了NOTEARS方法，我们证明了它缺乏标度不变性。我们表明，NOTEARS是一种方法，旨在确定一个吝啬的DAG的数据，解释了剩余方差。我们的结论是，NOTEARS不适合从数据中识别真正的因果关系。
2021-06-15 cs.LG math.ST stat.ML
Order-based Causal Discovery for Multistage Processes
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院工业与系统工程系）
针对多阶段过程中现有因果发现方法的不足，提出基于顺序的因果发现方法OCDM。通过结合过程知识和新算法推断因果结构，并用新剪枝技术消除伪边，实验证明其优于现有方法。
2026-07-07 cs.AI cs.LG
Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
Fujitsu Limited（富士通公司）；TU Dresden（德累斯顿工业大学）
该研究探索LLMs在数据驱动因果发现中的潜力，通过成对提示和基于BFS的提示策略整合观测数据，实验显示其F1分数最多提高0.11分且优于传统基线最多0.52分，为LLM驱动的因果发现奠定基础。
2025-04-15 cs.AI cs.LG
Interpretable Causal Graphical Models for Equilibrium Systems with Confounding
University College London（伦敦大学学院）
本文提出可解释的因果图模型用于具有混杂因素的平衡系统，通过抗性图方法提供有效的图表示，并提出灵活的调整集选择方法。
2026-03-25 math.ST stat.ME stat.TH
No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries
CausalSAGE通过打破对称性解决因果不确定性，将PAGs转换为DAGs并保留因果关系。
2026-03-01 cs.LG
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
Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms?
Korea University（高丽大学）；UNIST（蔚山科学技术院）；LG AI Research（LG AI研究院）；Seoul National University（首尔大学）；SNU-LG AI Research Center（首尔大学-LG AI研究中心）
本文提出一种新框架，通过初始化邻接矩阵和引入正则化，将PLM提取的先验知识与因果发现算法相结合，克服了PLM在因果发现中过度依赖提示设计的局限并提升了性能。
2023-11-19 cs.AI cs.LG
Linear Causal Discovery with Interventional Constraints
纳入因果知识和机制对于完善因果模型和改进下游任务（例如设计新治疗方法）至关重要。在本文中，我们引入了一个新的概念，在因果发现，称为介入约束，这从根本上不同于介入数据。虽然干预性数据需要变量的直接扰动，但干预性约束以因果效应的不等式约束的形式对高层次的因果知识进行编码。例如，在Sachs数据集中（Sachs et al.\ 2005年），Akt已被证明是由PIP3激活，这意味着PIP3对Akt发挥积极的因果作用。现有的因果发现方法允许强制执行结构约束（例如，需要从PIP3到Akt的因果路径），但它们仍然可能产生不正确的因果结论，例如学习“PIP3抑制Akt”。干预约束通过明确约束变量对之间的总因果效应来弥合这一差距，确保学习模型尊重已知的因果影响。为了形式化干预约束，我们提出了一个度量来量化线性因果模型的总因果效应，并将问题制定为约束优化任务，使用两阶段约束优化方法求解。我们在真实世界的数据集上评估了我们的方法，并证明了整合干预性约束不仅提高了模型的准确性，确保了与已有发现的一致性，使模型更易于解释，而且还有助于发现新的因果关系，否则识别成本很高。
2025-10-30 cs.AI cs.LG
Causal screening for dynamical systems
许多经典算法通过测试一组随机变量之间的条件独立性来输出因果结构的图形表示。在动力系统中，局部独立性可以类似地用作底层数据生成过程的可测试含义。我们提出了一些廉价的方法，因果筛选提供了一个健全的因果解释的假设下，祖先的忠诚输出。流行的模型类的线性霍克斯过程是用来提供一个例子的动态因果模型。我们认为，稀疏因果图的输出往往会接近完成。我们给出了这个框架的例子，并将其应用到一个具有挑战性的生物系统。
2020-09-11 stat.OT
Embracing the black box: Heading towards foundation models for causal discovery from time series data
Friedrich Schiller University Jena（弗里德里希·席勒耶拿大学）
针对现有时间序列因果发现方法不支持端到端学习的问题，提出因果预训练方法，通过监督学习直接映射多元时间序列至因果图，发现其性能随数据和模型规模增加而提升，为因果发现基础模型提供了可能性。
2024-02-14 cs.AI cs.LG
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
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University（西安交通大学）
了解因果关系有助于构建干预措施，以实现特定目标，并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加，因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上，缺乏对基于深度学习的方法进行完善的梳理和阐述，也缺乏从变量范式角度对因果发现方法的思考和探索。因此，本文根据变量范式将可能的因果发现任务分为三类，分别给出了三类任务的定义，定义并实例化了每类任务的相关数据集以及最终构建的因果模型，并对现有的主要因果发现方法进行了评述。最后，针对目前因果发现领域的研究空白，从不同角度提出了一些路线图，并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
Interpreting and using CPDAGs with background knowledge
我们开发的术语和方法与最大定向部分有向无圈图（最大PDAG）。最大PDAG产生于对有向无圈图的马尔可夫等价类施加限制，或者等效地对作为完全部分有向无圈图（CPDAG）的其图形表示施加限制，例如当添加关于某些边缘取向的背景知识时。虽然最大PDAGs经常出现在实践中，因果关系的方法主要是为CPDAGs。在本文中，我们将这种方法扩展到最大的PDAGs。特别是，我们开发的方法来读取可能的祖先关系，我们引入协变量调整的图形标准来估计总的因果效应，我们适应IDA和联合IDA框架来估计多组可能的因果效应。我们还提出了一个模拟研究，说明了增益的可识别性的总因果效应的背景知识的增加。所有方法都在R包pcalg中实现。
2018-06-19 math.ST stat.TH
Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
University of Bath（巴斯大学）
研究针对具有方向性链式结构的系统，提出通过阻断干预识别因果结构的方法，实现有限样本下的准确估计。
2026-04-03 cs.AI cs.LG
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
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
Causal Discovery for Manufacturing Domains
Robert Bosch LLC（罗伯特·博世有限责任公司）
产量和质量的提高对任何制造公司都至关重要。提高产量的方法之一是通过发现影响产量的根本原因。我们建议使用数据驱动的可解释的因果模型来确定影响产量的关键因素。我们专注于在产品制造周期的不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从这条线收集的真实数据。具体来说，这项工作的目标是从生产线产生的观测数据中学习可解释的因果模型。重点已经给出了模型的可解释性，使他们在制造领域的行动。我们强调了装配线数据带来的挑战，并提出了缓解这些挑战的方法。我们还确定了源自装配线的数据的独特特征，以及如何利用它们来改善因果发现。因果结构学习的标准评估技术表明，学习的因果模型似乎密切代表了生产过程中不同因素之间的潜在因果关系。这些结果也得到了制造领域专家的验证，他们认为这些结果很有前途。这项工作演示了如何数据采掘和知识发现可以用于根本原因分析领域的制造业和连接的行业。
2016-06-13 cs.AI cs.LG
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
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne（墨尔本大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Peking University（北京大学）；Adelaide University（阿德莱德大学）；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）
提出因果集成智能体（CEA）框架，通过线性意见池聚合不同层次的统计因果发现结果，并利用大语言模型（LLM）作为元裁判在决策边界附近动态重加权专家，从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
Foundations of Causal Discovery on Groups of Variables
本文为变量组因果发现建立理论基础，探讨微观与组级假设关系，分析因果忠实性条件，涵盖含环和双向边的图模型及分组时间序列特例。
2024-03-19 math.ST stat.ME stat.TH
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
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
Integrating Background Knowledge for Scalable Causal Discovery
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（拉德堡德大学（奈梅亨））；Saarland University（萨尔大学）
研究如何在因果发现中整合背景知识，提出在因果发现过程中利用背景知识的框架，实现可扩展的因果发现，经实验验证该方法能降低计算需求并提升学习结构质量。
2026-11-06 cs.LG 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
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
A Meta-Reinforcement Learning Algorithm for Causal Discovery
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Universiteit van Amsterdam（阿姆斯特丹大学）
因果发现是机器学习的一项重要任务，因为因果结构可以使模型超越纯粹的基于相关性的推理，并显着提高其性能。然而，从数据中找到因果结构在计算工作量和准确性方面都构成了重大挑战，更不用说在没有干预的情况下不可能实现。在本文中，我们开发了一个Meta强化学习算法，通过学习执行干预，使其可以构建一个明确的因果图进行因果发现。除了对可能的下游应用有用之外，估计的因果图还为数据生成过程提供了解释。在这篇文章中，我们表明，我们的算法估计一个很好的图相比，SOTA的方法，即使在环境中的潜在因果结构是以前看不见的。此外，我们做了一个消融研究，显示如何学习干预有助于我们的方法的整体性能。我们的结论是，干预措施确实有助于提高绩效，有效地对可能看不见的环境的因果结构进行准确估计。
2023-02-21 cs.AI cs.LG stat.ME
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
Applied Artificial Intelligence Institute (A2I2)（应用人工智能研究所）；Deakin University（迪肯大学）
针对Post-Nonlinear因果模型中可逆性约束难以捕捉的问题，提出基于归一化流的因果发现方法CAF-PoNo，通过精确重构隐藏噪声实现双变量与多变量因果发现，性能优于现有先进方法。
2024-08-29 cs.AI cs.LG stat.ME
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
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine（加利福尼亚大学欧文分校）
针对高维数据集因果发现的NP难问题，提出ALCM框架融合数据驱动算法与LLMs，通过三个组件自主协作生成更优因果图，实验表明其性能优于现有方法，为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
Multi-Domain Causal Discovery in Bijective Causal Models
Columbia University（哥伦比亚大学）；Leiden University（莱顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文研究多领域环境下的因果发现问题，假设因果函数不变而外生噪声分布可变，提出利用双射生成机制（BGM）放宽函数假设，推导出寻找目标变量父代集的统计检验方法，并在合成与真实数据集上验证了理论有效性。
2025-04-30 cs.AI cs.LG stat.ME
Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery
University of Houston（德克萨斯大学休斯顿分校）；NEC Laboratories America（NEC美国实验室）；Florida International University（佛罗里达国际大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出 MATMCD，一个由工具增强 LLMs 驱动的多智能体系统，通过 Data Augmentation agent 和 Causal Constraint agent 协同处理多模态数据，实现知识驱动的精确因果发现，并在七个数据集上验证了其显著潜力。
2025-05-31 cs.AI cs.LG stat.ME
