Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants
Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科理科研究所）
针对含相关隐变量的线性非高斯因果发现难题，提出利用高阶累积量识别LvLiNGAM中因果DAG的新算法，经模拟与真实数据验证有效。
2025-10-16 cs.LG stat.ML
Polynomial-Time Algorithms for Counting and Sampling Markov Equivalent DAGs
从马尔可夫等价类中对有向无环图进行计数和均匀采样是图因果分析的基本任务。在本文中，我们表明，这些任务可以在多项式时间内完成，解决了这一领域长期存在的开放问题。我们的算法是有效的，易于实现。实验结果表明，该算法显着优于国家的最先进的方法。
2020-12-17 cs.AI cs.LG stat.ML
Causal Atlases from Entropic Inference: Bayesian Networks beyond Optimal DAGs
Department of Physics , Engineering Physics and Astronomy（物理系、工程物理与天文学系）
针对数据驱动因果识别中多因果链问题，提出基于熵推理的因果图谱方法，通过最大熵系综采样量化因果结构歧义性。
2026-06-04 cs.LG stat.ML
Learning DAGs without imposing acyclicity
我们探讨，如果它是可能的学习有向无环图（DAG）的数据，而不明确施加的无环约束。特别是，对于高斯分布，我们框架的结构学习作为一个稀疏矩阵分解问题，我们的经验表明，解决一个$\ell_1$ -惩罚优化收益率良好的恢复的真实图，并在一般情况下，几乎DAG图。此外，这种方法是计算效率高，是不受爆炸的组合复杂性，在经典的结构学习算法。
2020-06-04 cs.LG stat.CO stat.ML
Estimate Collapsibility of Causal Effects in Completed Partial DAGs via Strong d-Convex Hulls
College of Mathematics and System Science, Xinjiang University（新疆大学数学与系统科学学院）；Institute of Statistics and Data Science, Xinjiang University of Finance and Economics（新疆财经大学统计与数据科学研究院）
提出一种在完全部分有向无环图中保持因果效应估计一致性的可压缩方法，通过强d-凸包刻画最小可压缩集，并设计高效算法结合IDA框架。
2026-06-08 cs.LG stat.ML
Fast classification using sparse decision DAGs
University of Paris-Sud（巴黎第十一大学）；CNRS（法国国家科学研究中心）；Hungarian Academy of Sciences（匈牙利科学院）；University of Szeged（塞格德大学）
在本文中，我们提出了一种算法，建立稀疏决策DAG（有向无环图）从外部学习方法，如AdaBoost提供的基础分类列表。基本思想是将DAG设计任务转换为马尔可夫决策过程。每个实例可以基于正在构建的分类器的当前状态来决定使用或跳过每个基本分类器。结果是稀疏决策DAG，其中以数据依赖的方式选择基本分类器。该方法具有单个超参数，具有控制精度/速度权衡的明确语义。该算法在三个对象检测基准上与最先进的级联检测器具有竞争力，并且当存在少量基础分类器时，它明显优于它们。与级联不同，它也很容易适用于多类分类。使用多类设置，我们在基准网页排名数据集上显示，我们可以显着提高决策速度，而不会损害排名器的性能。
2012-06-27 cs.LG stat.ML
DAGs with No Curl: An Efficient DAG Structure Learning Approach
Lehigh University（理海大学）；IBM Research（IBM研究院）；Rensselaer Polytechnic Institute（伦斯勒理工学院）
最近，有向无环图（DAG）结构学习被表述为具有连续无环约束的约束连续优化问题，并通过子问题优化迭代求解。为了进一步提高效率，我们提出了一种新的学习框架，直接在DAG空间中建模和学习加权邻接矩阵。具体来说，我们首先表明，一组的加权邻接矩阵的DAG是等价的图势函数的加权梯度的集合，和一个可以执行结构学习搜索在这个等价的DAG。为了实例化这个想法，我们提出了一个新的算法，DAG-NoCurl，它有效地解决了优化问题的两个步骤：1）首先，我们找到一个初始的循环解决方案的优化问题，和2）然后我们采用Hodge分解的图形和学习一个非循环图通过投影的循环图的梯度的潜在功能。基准数据集上的实验研究表明，我们的方法提供了可比的准确性，但更好的效率比基线DAG结构学习方法的线性和广义结构方程模型，往往超过一个数量级。
2021-06-14 cs.AI cs.LG stat.ML
Cross-covariance modelling via DAGs with hidden variables
University of Washington（华盛顿大学）
具有隐变量的DAG模型存在许多困难，这些困难在观察所有节点时不存在。特别是，完全观察到的DAG模型被识别并对应于定义良好的分布集，而如果节点未被观察到，则情况并非如此。本文对一类一维高斯潜变量模型给出的分布集进行了精确的刻画。这些模型涉及两个观察变量块，仅对互协方差矩阵进行建模。我们描述了这个模型的相互协方差矩阵的奇异值分解的关系。我们表明，虽然该模型是欠识别，有用的信息可以提取。我们进一步考虑一种替代参数化，其中一个潜在变量与每个块相关联。我们的分析导致了一些新的协方差等价结果高斯隐变量模型。
2013-01-10 cs.LG stat.ML
ExDAG: an MIQP Algorithm for Learning DAGs
Czech Technical University in Prague（捷克技术大学）
针对因果学习中DAG识别的整数规划方法可扩展性差的问题，本文提出ExDAG算法，通过懒约束方法选择性生成约束，结合分支定界割算法保证全局收敛，在中等规模高斯噪声图的结构汉明距离和F1分数上优于现有最优求解器。
2025-11-19 cs.LG stat.ML
Learning Sparse Nonparametric DAGs
Carnegie Mellon University（卡内基梅隆大学）；University of Chicago（芝加哥大学）
我们开发了一个从数据中学习稀疏非参数有向无环图（DAG）的框架。我们的方法是基于最近的代数特征的DAG，导致了一个完全连续的程序，基于分数的学习的DAG模型参数化的线性结构方程模型（SEM）。我们利用非参数稀疏偏导数的基础上，扩展这种代数特征的非参数SEM，从而在一个连续的优化问题，可以应用于各种非参数和半参数模型，包括GLM，加性噪声模型，指数模型作为特殊情况。与需要特定建模选择，损失函数或算法的现有方法不同，我们提出了一个完全通用的框架，可以应用于一般非线性模型（例如，没有加性噪声），一般可微损失函数和通用黑盒优化例程。该代码可在https://github.com/xunzheng/notears上获得。
2020-03-23 cs.LG stat.ME stat.ML
DAGMA: Learning DAGs via M-matrices and a Log-Determinant Acyclicity Characterization
Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；Carnegie Mellon University（卡内基梅隆大学）
最近，通过利用基于矩阵指数函数的迹的有向无环图（DAGs）的可微无环性特征，从数据中学习有向无环图（DAGs）的组合问题被框架为纯粹的连续优化问题。现有的无环性刻画是基于邻接矩阵的幂包含了行走和循环的信息。在这项工作中，我们提出了一个新的非循环特性的基础上的对数行列式（log-det）功能，它利用了幂零性的DAG。为了处理DAG的固有不对称性，我们将我们的log-det特征域与$\textit{M-matrices}$的集合相关联，这是与在正定矩阵的锥上定义的经典log-det函数的关键区别。类似于以前提出的无环函数，我们的特征也是精确和可微的。然而，与现有的特征相比，我们的log-det函数：（1）更善于检测大周期;（2）具有更好的梯度;（3）它的运行时间实际上快了一个数量级。从优化方面，我们放弃了通常使用的增广拉格朗日计划，并提出DAGMA（$\textit{DAGs via M-matrices for Acyclicity}$），一种类似于障碍方法的中心路径的方法。DAGMA的中心路径中的每个点都是由我们的log-det函数正则化的无约束问题的解，然后我们证明了在中心路径的极限处，该解保证是DAG。最后，我们为$\textit{linear}$和$\textit{nonlinear}$ SEM提供了广泛的实验，并表明我们的方法可以达到大的加速和较小的结构汉明距离对国家的最先…
2023-01-16 cs.LG stat.ME stat.ML
Hyperbolic Disk Embeddings for Directed Acyclic Graphs
LAPRAS Inc.（LAPRAS公司）
获得结构数据的连续表示，例如有向无环图（DAG），在机器学习和人工智能中受到了关注。然而，嵌入复杂的DAG，其中节点的祖先和后代都呈指数增长是困难的。为了解决这个问题，我们开发了Disk Embeddings，这是一个将DAG嵌入到准度量空间中的框架。现有的最先进的方法，顺序嵌入和双曲蕴涵锥，盘嵌入在欧氏空间和球的实例分别。此外，我们提出了一种新的方法双曲盘嵌入处理指数增长的关系。我们的实验结果表明，我们的磁盘嵌入模型优于现有的方法，特别是在复杂的DAG以外的树。
2019-05-15 cs.LG stat.ML
Score-Based Learning of Cluster DAGs from Interventions
University of Amsterdam（阿姆斯特丹大学）；University of Copenhagen（哥本哈根大学）
研究针对干预数据的簇DAG学习问题，提出首个基于评分的方法COARSE，其边阶段速度较最优方法提升两个数量级，在合成与真实数据上性能相当且运行高效。
2026-10-09 cs.LG stat.ML
BCDAG: An R package for Bayesian structure and Causal learning of Gaussian DAGs
Università Cattolica del Sacro Cuore（天主教圣心大学）；Università degli Studi di Milano-Bicocca（米兰比可卡大学）
有向无环图（DAG）提供了一个强大的框架来模拟多变量环境中变量之间的因果关系;此外，通过do-calculus理论，它们允许从纯观测数据中识别和估计变量之间的因果关系。在这种情况下，从数据中推断DAG结构的过程被称为因果结构学习或因果发现。我们介绍了BCDAG，一个用于贝叶斯因果发现和高斯观测数据因果效应估计的R包，实现了Castelletti和Mascaro（2021）提出的马尔可夫链蒙特卡罗（MCMC）方案。我们的实现可以有效地扩展观测的数量，并且只要DAG足够稀疏，就可以扩展数据集中的变量数量。该软件包还提供了收敛诊断和可视化和总结后验推理的功能。在本文中，我们提出了基本方法的主要特点，以及其在BCDAG中的实现。然后，我们说明了真实和模拟数据集上的主要功能和算法。
2022-01-28 cs.LG stat.ME 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
Archaeology of random recursive dags and Cooper-Frieze random networks
Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）；École Normale Supérieure（巴黎高等师范学院）；Pompeu Fabra University（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高等教育研究院）；Barcelona Graduate School of Economics（巴塞罗那经济学研究生院）
研究了大型增长网络中的根顶点问题。我们证明了在随机网络的各种模型中，可以构造大小独立于网络中包含高概率根顶点的顶点数的置信集。这些模型包括均匀随机递归图和均匀Cooper-Frieze随机图。
2022-07-29 cs.LG math.PR math.ST
Causal structure learning with momentum: Sampling distributions over Markov Equivalence Classes of DAGs
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）；Institute for Theoretical Computer Science（理论计算机科学研究所）；University of Lübeck（吕贝克大学）
针对贝叶斯网络结构推断问题，提出带动量的不可逆因果之字形采样器，依托GES算子采样马尔可夫等价DAG类分布，并优化相关算法，显著提升运行效率与混合效果。
2024-08-27 cs.AI cs.LG stat.ML
Personalized Binomial DAGs Learning with Network Structured Covariates
Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；University of Michigan（密歇根大学）；Ant Financial Group（蚂蚁集团）；Marshall School of Business, University of Southern California（南加州大学马歇尔商学院）
本文针对多变量计数数据因果发现问题，提出个性化二项DAG模型，通过将网络结构嵌入降维协变量、学习节点邻域缩小搜索空间并利用方差-均值关系确定排序，在异质性数据上优于现有方法。
2024-06-10 cs.LG stat.ML
DAGGER: A sequential algorithm for FDR control on DAGs
University of California, Berkeley（加州大学伯克利分校）
我们提出了一个线性时间，单通，自上而下的算法多重检验有向无环图（DAG），其中节点表示假设和边缘指定的偏序，假设必须进行测试。该过程保证以有界错误发现率（FDR）拒绝子DAG，同时满足被拒绝节点的父节点也必须被拒绝的逻辑约束。当DAG结构是先验已知的，但选择性地获得$p$值（例如在一系列实验中）时，该算法被设计用于顺序测试设置，但当所有$p$值可以提前计算（例如变量/模型选择）时，该算法也适用于非顺序设置。我们的DAGGER算法，简写为Greatest进化拒绝DAG，可证明控制下的独立，正相关或任意依赖的$p$ -值的错误发现率。DAGGER过程专门用于树和线图的特殊情况下的已知算法，并且当DAG没有边时简化为经典的Benjamini-Hochberg过程。我们使用模拟以及对应于基因本体的真实数据集来探索DAGGER的经验性能，在时间和功率方面表现出良好的性能。
2018-12-04 cs.LG math.ST stat.ME
DAGs with NO TEARS: Continuous Optimization for Structure Learning
Carnegie Mellon University（卡内基梅隆大学）
估计有向无环图（DAG，也称为贝叶斯网络）的结构是一个具有挑战性的问题，因为DAG的搜索空间是组合的，并且与节点的数量成超指数关系。现有的方法依赖于各种本地算法来执行非循环约束。在本文中，我们引入了一个根本不同的策略：我们制定的结构学习问题作为一个纯粹的\emph{continuous}优化问题，真正的矩阵，完全避免了这种组合约束。这是通过一种新的非周期性的表征，不仅是顺利的，而且准确。由此产生的问题可以有效地解决标准的数值算法，这也使得实施毫不费力。所提出的方法优于现有的，而不施加任何结构上的假设，如有界树宽或度的图。实现该算法的代码是开源的，可在https://github.com/xunzheng/notears上公开获得。
2018-11-03 cs.AI cs.LG stat.ME
Counting and Sampling from Markov Equivalent DAGs Using Clique Trees
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Sharif University of Technology（谢里夫理工大学）；Georgia Institute of Technology（佐治亚理工学院）；Carnegie Mellon University（卡内基梅隆大学）
有向无环图（DAG）是表示一组变量之间因果关系的最常见的图形模型。当仅限于使用观测数据时，基于变量之间的条件独立关系，地面实况DAG的结构仅在马尔可夫等价时是可识别的。因此，等同于真实DAG的DAG数量是底层结构因果复杂性的指标--粗略地说，它显示了需要多少干预或多少额外信息来恢复底层DAG。在本文中，我们提出了一种新的技术，用于计数的DAG在马尔可夫等价类的数量。我们的方法是基于弦图的团树表示。我们表明，在有界度图的情况下，所提出的算法是多项式时间。我们进一步证明，这种技术可以用于均匀采样的马尔可夫等价类，它提供了一种随机的方式来枚举DAG的等价类，并可能需要找到最好的DAG或因果推理的等价类作为输入。我们还扩展了我们的计数和采样方法的情况下，先验知识的基础DAG是可用的，并提出了应用这种扩展在因果实验设计和估计因果效应的联合干预。
2018-09-11 cs.AI cs.DS cs.LG
BCD Nets: Scalable Variational Approaches for Bayesian Causal Discovery
Stanford University（斯坦福大学）；Facebook AI Research（Facebook人工智能研究院）；University of California, Los Angeles（加州大学洛杉矶分校）
结构方程模型（SEM）是一个有效的框架，通过一个有向无环图（DAG）表示的因果关系的原因。最近的进展使有效的最大似然点估计的DAG从观测数据。然而，在实际场景中，点估计可能无法准确地捕获推断基础图时的不确定性，其中真实DAG是不可识别的和/或观察到的数据集是有限的。我们提出了贝叶斯因果发现网（BCD网），一个变分推理框架，用于估计分布在DAG特征的线性高斯SEM。由于图的离散性和组合性，在DAG上开发完整的贝叶斯后验是具有挑战性的。我们分析了DAG上可扩展VI的关键设计选择，例如1）通过表达变分族对DAG进行参数化，2）实现低方差随机优化的连续松弛，以及3）潜在变量的合适先验。我们提供了一系列的真实和合成数据的实验表明，BCD网优于最大似然方法的标准因果发现指标，如结构汉明距离在低数据制度。
2021-12-06 cs.AI cs.LG stat.ML
Discrete Score Matching Enables Causal Discovery from Count Data
Seoul National University（首尔大学）
针对计数数据因果发现中导数不可用的问题，提出基于条件曲率分数（CCS）和非对角曲率分数（OCS）的DISCO算法，实现半参数GLM DAG的识别与恢复，实验验证了多种分布下的准确性和可扩展性。
2026-10-01 cs.LG stat.ML
The Complexity of Morality: Checking Markov Blanket Consistency with DAGs via Morality
Monash University（莫纳什大学）
一类忠实贝叶斯网络中的马尔可夫毯满足对称性和一致性。在本文中，我们画了一个双射家庭之间的一致马尔可夫毯和道德图。我们定义了弱递归单纯性和完全消去套件的新概念。我们证明它们等价于图道德。另外，我们证明了对于最大度小于$5$的图，道德问题可以在多项式时间内得到判定，而对于最大度更高的图，道德问题是NP-完全的.
2019-03-05 cs.CC cs.DM cs.LG
Learning Sparsest Linear Causal DAGs with Latent Confounders via Higher-Order Cumulants
Graduate School of Informatics（信息科学研究生院）；Institute for Liberal Arts and Sciences（文科理科研究所）
研究在具有潜在混杂因素的线性非高斯无环模型中恢复最稀疏DAG的问题，提出一种有限样本方法，该方法不受潜在混杂因素数量限制，经模拟研究和实际数据分析验证，其有限样本性能优于现有方法。
2026-07-08 cs.LG
LazyIter: A Fast Algorithm for Counting Markov Equivalent DAGs and Designing Experiments
Sharif University of Technology（谢里夫理工大学）
一组随机变量之间的因果关系通常由有向无环图（DAG）表示，其中如果$X$是$Y$的直接原因，则存在从变量$X$到变量$Y$的有向边。从纯粹的观测数据，真正的因果图可以识别到马尔可夫等价类（MEC），这是一组DAG与变量之间的相同的条件独立性。MEC的大小是通过执行干预来恢复真实因果图的复杂性的度量。我们提出了一种有效的迭代方法，在可能的MEC干预结果。我们利用所提出的方法计算MEC的大小和实验设计在主动和被动的学习设置。相比以前的工作计算MEC的大小，我们提出的算法减少了时间复杂度的一个因素，$O(n)$稀疏图，其中$n$是系统中的变量的数量。此外，结合动态规划，我们设计了一个被动实验设计的优化算法。实验结果表明，我们提出的算法计算MEC的大小和实验设计优于最先进的。
2020-06-17 cs.AI cs.LG stat.ML
Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression
University of Southern California（南加州大学）
针对因果发现中连续优化方法难以适配样本有限、计算有限场景的问题，提出SURE-Ridge方法，在小样本下结构汉明距离最低且所有样本量下运行时间最短。
2026-08-19 cs.LG eess.SP stat.ML
Broadcasting in random recursive dags
Unidistance Suisse（瑞士远程大学）；McGill University（麦吉尔大学）；Pompeu Fabra University（庞培法布拉大学）；ICREA（加泰罗尼亚研究与高级研究院）；Barcelona School of Economics（巴塞罗那经济学院）
本文研究随机递归k-dag中根节点比特在有噪声信道下的广播问题，确定了使多数投票规则有效的翻转概率p阈值，并刻画了阈值上下的错误率行为。
2025-02-04 cs.LG cs.SI stat.ML
Reinforcement Learning for Causal Discovery without Acyclicity Constraints
Applied Artificial Intelligence Institute (A 2 I 2 ), Deakin University（应用人工智能研究所（A2I2），德克萨斯大学）；University of California, San Diego（加州大学圣地亚哥分校）
提出ALIAS方法，通过无需显式无环性约束的DAG参数化实现单步生成，利用强化学习策略梯度高效探索因果图空间，在合成与真实数据上表现优于现有方法。
2025-05-30 cs.LG stat.ME stat.ML
Efficient Permutation Discovery in Causal DAGs
MIT（麻省理工学院）
学习有向无环图（DAG）直到马尔可夫等价的问题等效于寻找导致最稀疏图的变量排列的问题。在没有额外假设的情况下，这个任务是NP难的。基于稀疏Cholesky分解的最小度算法，但利用DAG特定的问题结构，我们引入了一个有效的算法来找到这样的稀疏排列。我们表明，联合高斯分布，我们的方法与深度$w$运行在$O(p^{w+3})$时间。我们比较我们的方法与$w = 1$算法寻找稀疏消除无向图的排序，并表明，利用DAG特定的问题结构导致显着改善发现的置换。我们还将我们的算法与可证明一致的因果结构学习算法（如PC算法，GES和GSP）进行了比较，并表明我们的方法在更短的运行时间内实现了相当的性能。因此，我们的方法可以单独用于因果结构发现。最后，我们表明，存在密集的图形上，我们的方法实现了几乎完美的性能，因此，与大多数现有的因果结构学习算法，我们的算法实现良好的性能和良好的运行时的情况下，不限于稀疏图。
2020-11-06 cs.LG stat.ME stat.ML
BUILD with Precision: Bottom-Up Inference of Linear DAGs
University of Rochester（罗切斯特大学）；Universidad Rey Juan Carlos（雷耶皇家大学）；Delft University of Technology（代尔夫特理工大学）
提出BUILD算法，利用等噪声方差线性高斯SEM下观测数据的集成精度矩阵的独特结构，通过确定性逐步方法精确重构DAG，并在有限数据下通过周期性重估计精度矩阵增强鲁棒性。
2026-05-25 cs.LG eess.SP
Active Structure Learning of Causal DAGs via Directed Clique Tree
LIDS, MIT（麻省理工学院林肯实验室（LIDS））；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究）
越来越多的工作已经开始研究干预设计的因果有向无环图（DAG）的有效结构学习。一个典型的设置是一个因果充分的设置，即一个系统没有潜在的混杂因素，选择偏差，或反馈，当观察等价类（EC）的基本图作为输入和干预被假定为无噪声。大多数现有的作品集中在最坏情况下或平均情况下的下限为定向DAG所需的干预措施的数量。这些最坏情况下的下界仅确定基本图中的最大团可能使学习真正的DAG变得困难。在这项工作中，我们开发了一个通用的单节点干预下界，建立了最大的集团始终是结构学习的根本障碍。具体来说，我们提出了一个分解的DAG到独立定向组件通过有向集团树，并使用它来证明，在EC中定向任何DAG所需的单节点干预的数量至少是一半的最大集团的大小在每个链组件的基本图的总和。此外，我们提出了一个两阶段的干预设计算法，在一定条件下的弦骨架，匹配的最佳干预数量的最大集团的数量的乘法对数因子。我们通过合成实验表明，我们的算法可以扩展到更大的图比大多数相关的工作，并实现更好的最坏情况下的性能比其他可扩展的方法。可以在https://github.com/csquires/dct-policy上找到重新创建这些结果的代码库
2020-11-01 cs.LG stat.ME stat.ML
From graphs to DAGs: a low-complexity model and a scalable algorithm
INRIA（法国国家信息与自动化研究所）；Université Paris-Saclay（巴黎萨克雷大学）；CNRS（法国国家科学研究中心）
本文提出低复杂度模型LoRAM，结合低秩分解与稀疏化，将DAG学习的复杂度从三次降至二次，并高效扩展到数千节点，以极小精度损失换取数量级效率提升。
2022-04-10 cs.LG math.OC
Towards Scalable Bayesian Learning of Causal DAGs
University of Helsinki（赫尔辛基大学）；HIIT（赫尔辛基信息技术研究所）；University of Oslo（奥斯陆大学）
我们给出了贝叶斯推理的方法，有向无环图，DAG，和被动观察到的完整数据的因果关系。我们的方法建立在最近的马尔可夫链蒙特卡洛计划学习贝叶斯网络，这使得有效的近似抽样从图后验，只要每个节点被分配一个小数目$K$的候选父母。我们提出的算法技术，以显着减少空间和时间的要求，这使得使用大得多的值的$K$可行的。此外，我们研究的问题，选择候选父母每个节点，以最大限度地提高覆盖后质量。最后，我们将我们的抽样方法与一种新的贝叶斯方法相结合，用于估计线性高斯DAG模型中的因果效应。数值实验表明，我们的方法在检测祖先后代关系的性能，并在因果关系估计我们的贝叶斯方法被证明优于以前的方法。
2020-11-18 cs.AI cs.LG
Learning DAGs from Data with Few Root Causes
ETH Zurich（苏黎世联邦理工学院）
该研究针对线性SEM生成的少根因带噪数据，提出基于根因向量L0范数全局最小化的DAG学习算法，证明了可识别性，且性能优于现有方法。
2024-01-23 cs.AI cs.LG stat.ME
Staged trees and asymmetry-labeled DAGs
Universitat de València（瓦伦西亚大学）；Università degli Studi di Genova（热那亚大学）；IE University（IE大学）
贝叶斯网络是一类广泛使用的概率图模型，能够使用底层图的拓扑来表示感兴趣的变量之间的对称条件独立性。对于分类变量，它们可以被视为更一般的模型类别的特殊情况，称为阶段树，它可以表示任何类型的非对称条件独立性。在这里，我们形式化这两个模型之间的关系，并介绍了一个最小贝叶斯网络表示的阶段树，它可以用来读取条件独立性在一个直观的方式。定义了一种新的标记图--非对称标记有向无环图，它的边被标记以表示任意两个随机变量之间存在的依赖类型。我们还提出了一种新的算法来学习阶段树，它只执行非对称独立的特定子集。各种数据集被用来说明的方法，强调需要构建模型，更灵活地编码和表示非对称结构。
2022-10-05 cs.AI cs.LG stat.ML
LayerDAG: A Layerwise Autoregressive Diffusion Model for Directed Acyclic Graph Generation
Georgia Institute of Technology（佐治亚理工学院）；Meta；NVIDIA（英伟达公司）
本文提出自回归扩散模型LayerDAG，通过将节点偏序解耦为二部图序列并分别用自回归和扩散模型建模方向与逻辑依赖，有效生成大规模DAG，提升了系统基准测试和ML代理模型预测性能。
2025-03-01 cs.AR cs.DC cs.LG
Causal DAG Summarization (Full Version)
CSAIL, MIT USA（麻省理工学院计算机科学与人工智能实验室）；Technion Israel（技术学院）；University of California, San Diego USA（加州大学圣地亚哥分校）
本文提出一种因果DAG摘要方法，通过贪心算法在简化复杂高维因果图的同时保留关键因果信息，确保推断可靠且对假设错误设定更鲁棒，实验验证其有效性。
2025-04-21 cs.DB cs.LG stat.ME
Fast Scalable and Accurate Discovery of DAGs Using the Best Order Score Search and Grow-Shrink Trees
University of Minnesota（明尼苏达大学）；Carnegie Mellon University（卡内基梅隆大学）；Rutgers University（罗格斯大学）
本文提出BOSS和GSTs方法，通过贪婪搜索变量排列并缓存得分来高效学习大规模DAG，在准确性和速度上优于现有算法，并成功应用于fMRI脑网络恢复。
2023-10-26 cs.AI cs.LG stat.ME
Convolutional Learning on Directed Acyclic Graphs
Rey Juan Carlos University（雷伊·胡安·卡洛斯大学）；University of Rochester（罗切斯特大学）
本文针对有向无环图数据提出一种集成可学习DAG滤波器的新型卷积图神经网络DCN，利用图拓扑偏序提供归纳偏置，并在扩散估计与源识别任务中验证其优于多个基线。
2024-05-05 cs.LG
Tags for DAGs: Graph Refinement with Meta-Informed Relations
Computer Science Department, Technical University of Darmstadt（达姆施塔特技术大学计算机科学系）；Hessian Center for AI (hessian.AI)（海德堡人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science, Technical University of Darmstadt（达姆施塔特技术大学认知科学中心）；Department of Mathematics and Computer Science, Eindhoven University of Technology（埃因霍温理工大学数学与计算机科学系）
提出基于多标签的因果发现方法，利用标签间边关系定向无向边，提升因果发现性能并符合常识。
2026-09-29 cs.AI cs.LG
Universal Lower Bound for Learning Causal DAGs with Atomic Interventions
Adobe Research（Adobe研究院）；Tata Institute of Fundamental Research（塔塔基础研究所）
在因果有向无环图（DAG）的结构学习问题中出现的一个经过充分研究的挑战是，使用观测数据，人们只能将图学习到“马尔可夫等价类”（MEC）。剩余的无向边必须使用干预来定向，这在应用中执行起来可能非常昂贵。因此，最大限度地减少为充分确定多边环境合作方向所需的干预措施的数量的问题最近受到了很多关注，也是这项工作的重点。我们的第一个结果是一个新的普遍的下限的单节点干预的数量，任何算法（无论是主动或被动）将需要执行，以定向一个给定的MEC。我们的第二个结果表明，这个界限是，事实上，在一个因素的两个最小的单节点干预，可以定向MEC的大小。我们的下限是可证明的比以前已知的下限。此外，使用模拟合成图，并通过特殊的图形家庭的例子，我们表明，我们的界限往往是显着更好。为了证明我们的下界，我们发展了cuber-block shared-parents（CBSP）序的概念，它是无v-结构的DAG的拓扑序，并满足某些特殊性质。我们还使用这里开发的技术，将我们的结果扩展到多节点干预的设置。
2022-05-19 cs.AI cs.DM cs.LG
SVI-DAG: A Structured Variational Inference Approach to Bayesian Causal Discovery
SVI-DAG是一种贝叶斯因果发现的结构化变分推断方法，用归一化流建模边依赖、斯坦变分梯度下降优化，在不确定性量化上优于5种现有方法，结构准确性具竞争力。
2026-08-25 cs.AI cs.LG
Directed Acyclic Graph Convolutional Networks
Dept. of Signal Theory and Communications, Rey Juan Carlos University, Madrid, Spain（信号理论与通信系，雷亚尔·卡洛斯大学，马德里，西班牙）；Dept. of Electrical and Computer Engineering, University of Rochester（电气与计算机工程系，罗切斯特大学）
本文提出了一种专门针对DAG上信号卷积学习的新型图神经网络架构DCN，通过因果图滤波器学习节点表示，利用正式的卷积操作实现频域表示，并引入并行DCN(PDCN)以解耦模型复杂度与图规模，实验证明其在准确率、鲁棒性和计算效率上优于现有方法。
2026-05-19 cs.LG eess.SP
Causal Fourier Analysis on Directed Acyclic Graphs and Posets
ETH Zurich（苏黎世联邦理工学院）
提出针对边加权有向无环图（DAG）的因果傅里叶分析框架，利用并扩展Moebius反演理论实现移位和卷积算子的特征分解，并成功应用于真实接触追踪数据的感染传播建模与信号学习。
2023-08-09 cs.DM cs.LG eess.SP
