Towards Identifiability of Hierarchical Temporal Causal Representation Learning
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）；Guangdong University of Technology（广东技术大学）；University of California San Diego（加州大学圣地亚哥分校）
针对现有时间因果表示学习方法无法从单时间步观测恢复层次化潜变量联合分布的问题，提出CHiLD框架，利用三条件独立观测与结构稀疏性实现辨识，并构建变分生成模型，经实验验证了理论与方法有效性。
2025-10-21 cs.LG stat.ME
Causal Representation Learning from Multiple Distributions: A General Setting
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）
本文提出一种完全非参数的多分布因果表示学习通用设定，在潜在图稀疏性和因果影响充分变化条件下，可恢复底层DAG的道德化图，部分场景下能恢复多数潜在变量，实验验证了理论结论。
2024-08-11 cs.LG stat.ML
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
Discovering Latent Causal Graphs from Spatiotemporal Data
Department of Computer Science and Engineering, University of California, San Diego, La Jolla, USA（计算机科学与工程系，加州大学圣地亚哥分校，拉乔拉，美国）；Halıcıoglu Data Science Institute, University of California, San Diego, La Jolla, USA（Halıcıoglu数据科学研究所，加州大学圣地亚哥分校，拉乔拉，美国）；Scripps Institution of Oceanography, University of California, San Diego, La Jolla, USA（斯克里普斯海洋研究所，加州大学圣地亚哥分校，拉乔拉，美国）
针对时空网格数据高维、空间邻近点相关导致因果推断难的问题，提出基于变分推断的SPACY框架，在潜在空间发现因果结构，理论上证明可识别性，实验上优于基线且能识别真实气候数据中的关键现象。
2025-06-15 cs.LG stat.ML
Measuring Causality: The Science of Cause and Effect
确定和测量因果关系是大多数自然现象科学研究的基础。因果关系的概念明显不同于相关性，相关性只关注测量中趋势或模式的关联。在这篇文章中，我们回顾了因果关系的不同概念，并特别关注从时间序列数据中测量因果关系。因果关系检验在神经科学、计量经济学、气候学、物理学和人工智能等不同学科中有许多应用。
2019-10-19 stat.AP stat.ME
Discrete Causal Representation Learning
Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）
本文提出离散因果表示学习（DCRL），通过生成框架建模离散潜在变量的有向无环图及稀疏二分图，解决高维离散变量和混合观测的因果推断问题，证明模型在弱条件下可识别，并通过实验验证其有效性。
2026-03-26 stat.ME stat.ML
A Latent Causal Inference Framework for Ordinal Variables
提出一个基于潜在高斯DAG模型的序数因果推断框架，推导闭式干预效应公式，并结合序数结构EM算法，在模拟和408名患者调查数据上验证了其有效性。
2025-02-24 stat.ME 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
Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于潜在线性高斯DAG模型的因果发现方法，用于处理具有潜在状态异质性的干预计数数据，通过稀疏逆矩阵估计提供理论保证。
2026-03-26 stat.ME
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
De-confounding causal inference using latent multiple-mediator pathways
观测数据的因果估计是因果推断的基本问题之一。然而，大多数估计方法依赖于所有混杂因素都被观察到的强假设，这在现实世界中是不切实际和不可检验的。我们开发了一个中介分析框架，推断出潜在的混杂因素，以消除直接和间接因果效应的偏见。具体来说，我们引入广义结构方程模型，它结合了结构化的潜在因素，以提高模型对观测数据的拟合优度，并同时取消中介和结果。所提出的框架的一个主要优点是，它利用因果通路结构从原因到结果，通过多个介质去偏置的因果效应，而不需要外部信息的潜在混杂因素。此外，所提出的框架在集成强大的非参数预测算法方面非常灵活，同时保留了可解释的中介效应。在理论上，我们建立了识别的因果关系和中介效应的基础上提出的去创建方法。模拟设置和规范老化研究的数值实验表明，所提出的方法减少了因果和中介效应的估计偏差。
2023-02-10 stat.ME
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 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
Causal invariance in graphical models with latent variables
University of Florence（佛罗伦萨大学）；University of Trento（特伦托大学）
本文研究含潜变量时因果不变性原理的适用条件，刻画了观测变量诱导图的结构，并给出了多变量高斯目标下检验不变性的充要条件。
2026-06-12 stat.ME
Score matching through the roof: linear, nonlinear, and latent variables causal discovery
University of Genoa（热那亚大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Amazon（亚马逊公司）；Institute of Science and Technology Austria (ISTA)（奥地利科学技术研究所）
该研究利用观测变量的得分函数开展因果发现，优化了加性噪声模型的可识别性结果，确立了含隐变量场景下的因果推断条件，提出适配多种模型的灵活因果发现算法并完成实验验证。
2025-03-22 cs.AI stat.ME 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
Foundations of Structural Causal Models with Latent Selection
本文提出通过结构因果模型理论基础解决潜在选择问题，引入条件操作以保留因果语义并简化分析。
2025-11-16 cs.AI cs.LG math.ST
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 Causal Discovery with Cycles and Latent Confounders
针对现有因果发现方法难以同时处理循环与潜在混杂因子的问题，提出贝叶斯框架BayCausal，实现温和条件下的唯一因果识别，性能优于现有方法，配套开源R包可供使用。
2025-11-15 stat.ME
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
Causal discovery for time series from multiple datasets with latent contexts
提出非参数时间序列因果发现方法J-PCMCI+，联合建模观测与潜在上下文以克服混杂，并给出渐近一致性与实验验证。
2023-06-22 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
Temporally Disentangled Representation Learning
CMU（卡内基梅隆大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
最近在无监督表示学习领域，通过利用某些边信息（例如类标签）以及独立性，已经建立了因果相关潜变量解纠缠的强可识别性结果。然而，大多数现有的工作受到函数形式假设的约束，如独立源或进一步与线性过渡，以及分布假设，如平稳，指数族分布。如果潜在变量之间存在任意的、非参数的因果影响，则不知道潜在变量及其因果关系是否可识别。在这项工作中，我们建立了非参数潜在因果过程的可识别性理论，从他们的非线性混合物下固定的时间因果影响，并分析如何分布的变化，可以进一步有利于解开。我们提出了\textbf{\texttt{TDRL}}，一个原则性的框架来恢复时间延迟的潜在因果变量，并确定它们的关系，从测量的序列数据下，在平稳的环境和不同的分布偏移。具体而言，该框架可以将未知的分布偏移分解为固定和时变潜在因果关系下的过渡分布变化，以及观测变化下的观测变化。通过实验，我们表明，时间延迟的潜在因果影响是可靠的，我们的方法大大优于现有的基线，没有正确地利用这种模块化的变化表示。我们的代码可在：\url{https://github.com/weirayao/tdrl} .
2022-10-24 cs.LG stat.ME stat.ML
Causal Discovery of Linear Non-Gaussian Causal Models with Unobserved Confounding
TUM School of Computation, Information and Technology（慕尼黑工业大学计算、信息与技术学院）；Technical University of Munich（慕尼黑工业大学）；University of British Columbia（不列颠哥伦比亚大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
针对含潜在混杂的线性非高斯结构方程模型，论文提出递归识别源并消除其影响的因果发现算法，利用高阶累积量矩阵秩条件，在无需预知潜变量数目的情况下达到与过完备 ICA 相当的性能。
2024-08-09 cs.LG stat.ME 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
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
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
Identifying Nonlinear 1-Step Causal Influences in Presence of Latent Variables
我们提出了一种学习随机动力系统的因果结构的方法，在潜变量的存在下，一个$1$步骤的功能依赖。我们提出了一个信息理论的方法，使我们能够恢复观察到的变量之间的因果关系，只要潜变量的演变没有外源噪声。我们进一步提出了一种有效的学习方法的基础上线性回归的特殊子情况下，动力学被限制为线性。我们通过数值模拟验证了我们的方法的性能。
2017-01-23 cs.IT cs.LG math.IT
Causal Effect Identification in lvLiNGAM from Higher-Order Cumulants
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文利用高阶累积量解决lvLiNGAM中潜变量混杂下的因果效应识别问题，证明单一代理变量或欠指定工具变量条件下因果效应可识别，并提出相应估计方法。
2025-06-06 cs.LG stat.ME stat.ML
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
In defense of MAR over latent ignorability (or latent MAR) for outcome missingness in studying principal causal effects: a causal graph view
本文通过因果图证明，在研究主因果效应的结果缺失时，潜在随机缺失（LMAR）比随机缺失（MAR）更难满足且无额外益处，主张优先使用MAR，并阐明其成立条件及效应识别应用。
2024-07-18 stat.ME
Learning Latent Structural Causal Models
Mila（米拉研究所）；McGill University（麦吉尔大学）；KTH Stockholm（斯德哥尔摩皇家理工学院）；ÉTS Montréal（蒙特利尔高等工程技术学院）；Deepmind（深度思维）；Université de Montréal（蒙特利尔大学）；ÉTS Montreal（蒙特利尔高等工程技术学院）
长期以来，因果学习关注的是对潜在因果机制的准确恢复。这种因果模型能够更好地解释分布外数据。因果学习的先前工作假设高层因果变量是给定的。然而，在机器学习任务中，人们经常对图像像素或高维向量等低级数据进行操作。在这种情况下，整个结构因果模型（SCM）-结构，参数，\textit{and}高层次的因果变量-是不可观察的，需要从低层次的数据学习。我们把这个问题作为贝叶斯推理的潜在SCM，低层次的数据。对于线性高斯加性噪声SCM，我们提出了一种易于处理的近似推理方法，该方法对潜在SCM的因果变量、结构和参数进行联合推理。在合成数据集和因果关系生成的图像数据集上进行实验，以证明我们的方法的有效性。我们还执行图像生成从看不见的干预，从而验证分布外泛化的因果模型。
2022-10-24 cs.AI cs.LG stat.ME
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
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
Identification of Causal Structure with Latent Variables 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）
针对含潜变量的因果发现中两观测变量受同一潜变量影响且可能存在有向边的结构识别难题，提出基于非高斯数据高阶累积量估计因果系数及其比值、结合非对称性准则判定因果边存在性与方向的新方法，经实验验证有效。
2023-12-19 cs.AI cs.LG stat.ME
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
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
Bayesian Estimation of Causal Effects Using Proxies of a Latent Interference Network
Tel Aviv University（特拉维夫大学）
本文提出了一种基于代理网络的贝叶斯方法，用于估计潜在干扰网络的因果效应，通过结构因果模型和块Gibbs采样器有效探索高维后验空间。
2026-02-03 stat.AP stat.CO stat.ME
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
Latent Instrumental Variables as Priors in Causal Inference based on Independence of Cause and Mechanism
Sorbonne University（索邦大学）
基于条件独立的因果推理方法构造马尔可夫等价图，不能应用于二元情况。相反，基于原因和机制独立性的方法则认为因果发现可以从两个观测结果中推断出来。在我们的贡献，我们挑战调和这两个研究方向。我们研究了潜在的变量，如潜在的工具变量和隐藏的共同原因的因果图形结构中的作用。我们发现，基于原因和机制的独立性的方法，间接包含的痕迹存在的隐藏的工具变量。我们推导出一种新的算法来推断两个变量之间的因果关系，我们验证了模拟数据和基准的因果对所提出的方法。我们说明我们的实验，所提出的方法是简单的和极具竞争力的经验准确性相比，国家的最先进的方法。
2020-07-17 cs.AI cs.LG stat.ME
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 Inference with Latent Variables: Recent Advances and Future Prospectives
University of Virginia（弗吉尼亚大学）；Case Western Reserve University（凯斯西储大学）
该综述梳理了含潜变量因果推断的最新进展，先介绍全观测变量下的传统方法，再按分类阐述处理潜变量的多类因果推断策略，拓展至图数据场景，并提出LLMs时代的未来研究方向。
2024-06-20 cs.LG 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
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
Identifiability of causal effects with multiple causes and a binary outcome
未观察到的混杂对观察性研究的因果推断构成了重大威胁。最近，一些作者认为，这个问题可能会克服在一个共享的混杂设置，多个治疗是独立的共同的潜在混杂因素。研究表明，在治疗的线性高斯模型下，如果没有结局模型的参数假设，因果效应是不可识别的。在本文中，我们表明，因果效应确实是可识别的，如果我们假设一个一般的二元选择模型的结果与非概率链接。我们的识别方法是基于治疗和潜在混杂因素的高斯性之间的不一致性，以及潜在结果变量的非高斯性。我们进一步开发了一个两步似然估计过程。
2020-11-24 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
Nonparametric Identification and Estimation of Causal Effects on Latent Outcomes
Duke University（杜克大学）；Columbia University（哥伦比亚大学）
本文提出非参数框架，解决潜在结果测量不完美时的因果推断问题，通过非参数桥函数实现估计和识别，克服跨研究和跨指标的非可比性挑战。
2026-10-21 econ.EM stat.AP stat.ME
Disentangled Latent Representation Learning for Tackling the Confounding M-Bias Problem in Causal Inference
Huazhong Agricultural University（华中农业大学）；University of South Australia（南澳大利亚大学）
针对同一变量同时引发混杂偏倚与M偏倚的难题，本文提出DLRCE框架，从代理变量学习三组解耦潜在表示以同时校正两类偏倚，并在合成及三个真实数据集上验证其优于现有估计器。
2023-12-08 cs.AI cs.LG stat.ME
A Latent Mixture Model for Heterogeneous Causal Mechanisms in Mendelian Randomization
孟德尔随机化（MR）是流行病学和遗传学中的一种流行方法，它使用遗传变异作为工具变量进行因果推断。现有的MR方法通常假设大多数遗传变异是识别共同因果效应的有效工具变量。人们普遍没有意识到，即使所有的工具变量都是有效的，当涉及多个因果通路时，也可能违反这种效应同质性假设。在这篇文章中，我们介绍了一个潜在的混合模型MR-PATH，该模型将产生相似因果效应估计的工具分组在一起。我们开发了一个Monte-Carlo EM算法来拟合这个混合模型，推导出近似的置信区间的不确定性量化，并采用一个修改的贝叶斯信息准则（BIC）的模型选择。我们使用数值模拟来验证Monte-Carlo EM算法、置信区间和模型选择准则的有效性。我们确定潜在的机制异质性时，应用我们的方法来估计高密度脂蛋白胆固醇对冠心病的影响和肥胖对II型糖尿病的影响。
2022-06-14 stat.AP stat.ME
Causal Reasoning in the Presence of Latent Confounders via Neural ADMG Learning
Microsoft Research（微软研究院）；University of Cambridge（剑桥大学）
潜在混杂一直是从观测数据进行因果推理的一个长期障碍。一种流行的方法是使用无环有向混合图（ADMG）来建模数据，该图使用有向和双向边来描述变量之间的祖先关系。然而，使用ADMG的现有方法是基于线性函数假设或离散搜索，这是复杂的使用，并缺乏大型数据集的计算易处理性。在这项工作中，我们进一步扩展了现有的工作，并开发了一种新型的基于梯度的方法来从观察数据中学习具有非线性函数关系的ADMG。我们首先表明，潜在的混淆的存在下，无弓ADMG与非线性加性噪声模型的假设是可识别的。有了这个见解，我们提出了一种新的神经因果模型的基础上自回归流ADMG学习。这不仅使我们能够在存在潜在混杂的情况下确定数据背后复杂的因果结构关系，而且还可以同时估计它们的功能关系（因此是治疗效果）。我们通过在合成和真实世界数据集上的实验进一步验证了我们的方法，并展示了相对于相关基线的竞争性能。
2023-03-22 cs.LG stat.ME
Towards identifiability of micro total effects in summary causal graphs with latent confounding: extension of the front-door criterion
Sorbonne Université（索邦大学）；INSERM Institut Pierre Louis d’Epidémiologie et de Santé Publique（法国国家健康与医学研究院皮埃尔·路易流行病学与公共卫生研究所）
针对完全因果图设定难、动态系统总效应识别受限的问题，本文扩展前门准则，提出含循环与潜在混杂的摘要因果图下总效应可识别的充分图条件。
2025-05-19 cs.AI stat.ME
Identifiability Guarantees for Causal Disentanglement from Soft Interventions
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）；Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；Google Research（谷歌研究院）
该研究针对潜因果变量不可观测的因果解缠场景，在广义忠实性假设下证明了可识别性，开发自编码变分贝叶斯算法实现框架，可在无限数据下恢复等价类潜因果模型并预测组合干预效果，已应用于基因组学组合扰动效应预测。
2023-11-09 cs.LG math.ST stat.ME
The Inflation Technique for Causal Inference with Latent Variables
因果推理的问题是确定给定的观测变量的概率分布是否与某种因果结构相容。困难的情况是当因果结构包括潜在变量时。我们在这里介绍的$\textit{inflation technique}$解决这个问题。因果结构的膨胀是一种新的因果结构，它可以包含每个原始变量的多个副本，但每个副本的祖先都反映了原始变量的祖先。对于与原始因果结构相容的观测变量的每个分布，我们在与膨胀因果结构相容的副本的某些子集上分配一个边缘分布族。由此可见，膨胀的相容性约束可以转化为原始因果结构的相容性约束。即使在通货膨胀水平上的约束很弱，例如不相交的因果关系所隐含的可观察到的统计独立性，转换后的约束也可能很强。我们应用这种方法来推导新的不等式，其违反的分布证人，分布的不相容性的因果结构（其中贝尔不等式和珍珠的工具不等式是突出的例子）。我们描述了一个算法，用于推导出所有这些不平等的原始因果结构，从祖先的独立性，在通货膨胀。对于三个观察到的二元变量与成对的共同原因，它产生的不平等，至少在某些方面比现有的方法获得的更强。我们还描述了一个算法，推导出一组较弱的不等式，但更有效。最后，我们讨论了哪些暴胀是这样的，从他们得到的不等式仍然有效，甚至量子（和后量子）推广的因果模型的概念。
2019-07-22 math.ST quant-ph stat.ME
Foundations of Structural Causal Models with Cycles and Latent Variables
University of Amsterdam（阿姆斯特丹大学）
结构因果模型（SCM），也称为（非参数）结构方程模型（SEM），广泛用于因果建模目的。特别是，非循环SCM，也被称为递归SEM，形成了一个研究得很好的SCM子类，概括了因果贝叶斯网络，以允许潜在的混淆。在本文中，我们调查SCM在一个更一般的设置，允许潜在的混杂因素和周期的存在。我们发现，在周期的存在下，非循环SCM的许多方便的性质一般不成立：它们不总是有一个解决方案;他们不总是诱导唯一的观察，干预和反事实的分布;边缘化并不总是存在，如果它存在的边际模型并不总是尊重潜在的投影;他们并不总是满足一个马尔可夫性;并且它们的图并不总是与它们的因果语义一致。我们证明，在一般情况下，这些属性的SCM不持有在一定的可解性条件。我们的工作概括了SCM的结果与周期，只有已知的某些特殊情况下，到目前为止。我们介绍了类的简单SCM，扩展类的非循环SCM的循环设置，同时保留了许多方便的性质的非循环SCM。在本文中，我们的目标是提供一个一般的理论与SCM的统计因果建模的基础。
2021-11-22 cs.AI cs.LG stat.ME
