Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
Oregon State University（俄勒冈州立大学）；RIKEN Advanced Intelligence Project（理化学研究所先进智能项目）；The University of Osaka（大阪大学）；Shiga University（滋贺大学）
该研究针对缺失数据场景，建立了因果图可识别性的通用充分条件，提出两种适用于加性噪声模型的渐近正确算法，将完整数据因果发现的正确性保证扩展至缺失数据场景。
2026-10-15 cs.AI cs.LG stat.ME
Constrained Identifiability of Causal Effects
本文提出约束可识别性概念，并利用算术电路构建测试框架，证明其至少与do-演算一样完备，且能使原本不可识别的因果效应在约束下变得可识别。
2025-10-13 cs.AI stat.ME
Causal Inference by Surrogate Experiments: z-Identifiability
University of California, Los Angeles（加州大学洛杉矶分校）
我们解决的问题，估计干预的影响，一组变量X从实验上不同的一组，Z，这是更容易操纵。这个问题，我们称之为z-可识别性，当Z =空时，它可以简化为普通的可识别性，并且像后者一样，可以使用do-calculus [Pearl，1995; 2000]给出句法特征。我们提供了一个图形的必要和充分条件z-可识别的任意集合X，Z和Y（结果）。我们进一步开发了一个完整的算法，用于计算X对Y的因果效应，使用Z上的实验提供的信息。最后，我们用我们的结果证明完整性的做演算相对于z-identifiability，一个结果，不遵循相对于普通identifiability的完整性。
2012-10-16 cs.AI stat.ME
Epsilon-Identifiability of Causal Quantities
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出ε-可识别性概念，解决部分因果概率无法完全识别的问题，通过限制亚群行为实现近似识别，并将其应用于单元选择问题。
2026-10-28 cs.AI math.ST stat.TH
Causality and Generalizability: Identifiability and Learning Methods
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）；University of Amsterdam（阿姆斯特丹大学）
这篇博士论文包含了统计因果建模领域的几个贡献。统计因果模型是嵌入因果假设的统计模型，允许对受外部操纵（干预）影响的随机系统的行为进行推断和推理。本论文的研究领域涉及因果效应估计、因果结构学习和分布鲁棒（分布外推广）预测方法。我们提出了新的和一致的线性和非线性因果效应估计的工具变量设置，采用数据依赖的均方预测误差正则化。我们提出的估计显示，在某些设置中，均方误差的改进相比，规范和国家的最先进的估计。我们发现，最近的研究分布稳健的预测方法有连接到充分研究的估计计量经济学。这种联系使我们证明，一般的K-类估计具有分布鲁棒性。此外，我们提出了一个一般框架的分布鲁棒性的干预诱导的分布。在这个框架中，我们推导出充分条件的分布鲁棒预测方法的可识别性，并提出不可能的结果，显示了这些条件的必要性。本文提出了一种新的结构学习方法，适用于加性噪声模型，有向树作为因果图。我们证明了一致性消失的可识别性设置，并提供了一种方法来测试子结构假设与渐近族明智的误差控制，仍然有效的后选择。最后，我们提出了启发式的想法学习非线性时间序列模型的摘要图。
2021-10-04 cs.LG stat.ML
Identifiability of Causal Graphs using Functional Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
这项工作解决了以下问题：在什么样的假设下，对数据生成过程中可以推断因果图的联合分布？基于条件独立的因果发现方法基于两个假设：马尔可夫条件和忠实性。它已被证明，在这些假设下，因果图可以识别到马尔可夫等价（一些箭头保持无向）使用PC算法等方法。在这项工作中，我们提出了一种替代定义可识别的功能模型类（IFMOCs）。作为我们的主要定理，我们证明了，如果数据生成过程属于IFMOC，可以确定完整的因果图。据我们所知，这是第一个可识别的结果，这种不限于线性函数关系。我们讨论了IFMOC假设和马尔可夫和忠诚假设之间的关系，并解释了为什么我们认为IFMOC假设可以更容易地在给定的数据上进行测试。我们进一步提供了一个实用的算法，恢复的因果图从大量的数据，模拟数据的实验支持的理论研究结果。
2012-02-14 cs.LG stat.ML
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
Inria（法国国家信息与自动化技术研究院）；CEA（法国国家科学研究中心）；University of Paris-Saclay（巴黎-萨克勒大学）；University of Carnegie Mellon（卡内基梅隆大学）；Apple（苹果公司）；University of Helsinki（赫尔辛基大学）
该研究针对因果发现需强非高斯性假设的问题，利用多视图结构提出多视图线性结构方程模型及相关算法，可估计脑区因果图，在模拟与神经影像数据中验证有效。
2026-10-23 cs.LG stat.ML
Identifiability of an Integer Modular Acyclic Additive Noise Model and its Causal Structure Discovery
因果关系的概念在许多处理不确定性的情况下使用。本文研究了在给定数据集由离散随机变量而不是连续随机变量产生的情况下，因果关系能否被识别的问题。特别是，对于非二进制数据，迄今为止，除了极少数情况外，仅知道可以确定因果关系。本文给出了二元整数模非循环加性噪声（IMAN）的充要条件。此外，我们以更明确的方式将二元和多元因果可识别性联系起来，并开发了一种实用的算法来查找变量及其父集的顺序。我们证明了它的性能，在应用程序中的人工数据和现实世界的身体运动数据与传统的方法相比。
2014-01-22 stat.ML
Sign Identifiability of Causal Effects in Stationary Stochastic Dynamical Systems
Leiden University（莱顿大学）
本文研究了平稳随机动力学系统中因果效应的符号可识别性，提出边符号可识别性概念，并通过具体因果结构分析确定了边符号的显式表达式。
2026-07-10 cs.LG math.ST stat.TH
Entropic Causal Inference: Identifiability and Finite Sample Results
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
熵因果推断是从观测数据中推断两个分类变量之间因果关系方向的框架。核心假设是系统中未观察到的随机性不会太大。这种未观察到的随机性是由基础结构因果模型中的外生变量的熵来衡量的，该模型控制着观察到的变量之间的因果关系。Kocaoglu等人指出，当外生变量的熵不太大时，因果方向是可识别的。在本文中，我们证明了他们的猜想的一个变种。也就是说，我们表明，几乎所有的因果模型的外生变量的熵不与观测变量的状态数的比例，因果方向是可识别的观测数据。我们还考虑了Kocaoglu等人提出的基于最小熵耦合的算法方法，并首次证明了使用有限数量的样本的算法可识别性保证。我们进行了大量的实验，以评估该方法的鲁棒性放松我们的理论中的一些假设，并证明了恒定熵的外生变量和没有潜在的混淆假设可以放松在实践中。我们还经验性地描述了因果识别所需的观察样本的数量。最后，我们将该算法应用于Tuebingen因果对数据集。
2021-01-10 cs.AI cs.IT cs.LG
What can be estimated? Identifiability, estimability, causal inference and ill-posed inverse problems
University of Auckland（奥克兰大学）
我们考虑有关统计估计和因果推断之间的关系的基本概念问题。首先，我们展示了如何将因果推理问题转化为一个抽象的统计形式主义，而不需要任何结构超出一个任意索引的概率模型家族。形式主义很简单，但可以包含各种因果建模框架，包括“结构因果模型”，但也可以用以下术语表示的模型，例如，微分方程。然而，我们主要关注结构/图形因果建模文献。其次，我们考虑在何种程度上因果关系和统计问题可以清楚地分开，检查的基本问题：“什么可以估计从数据？”'.我们称之为可估计性问题。我们通过分析一个标准的正式定义“可以估计”通常采用的因果推理文献-可识别性-在我们的抽象统计形式主义。我们使用初等范畴论表明，可识别性意味着存在一个Fisher一致的估计，但也表明，这种估计可能是不连续的，因此不稳定的，一般。这个困难的出现是因为因果推理问题，一般来说，是一个不适定的逆问题。反问题有三个条件必须满足才能被认为是适定的：解的存在性、唯一性和稳定性。在这里，可识别性对应于唯一性问题;相反，我们将可估计性视为满足所有三个条件，即适定性。缺乏稳定性意味着将因果关系可识别的数量天真地转化为可实现的统计估计目标可能证明是不可能的。我们的文章主要是简要的，旨在统一来自多个领域的思想，尽管我们提供了新的构造和证明。
2020-07-21 cs.LG math.ST stat.ML
Efficient Symbolic Computations for Identifying Causal Effects
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院）；Binghamton University（宾夕法尼亚州立大学布林茅尔分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。
2026-04-22 cs.LG stat.ML
On the Identifiability of Causal Graphs with the Invariance Principle
Institute of Science and Technology Austria（奥地利科学与技术研究所）；Chan Zuckerberg Initiative（查兰·泽克伯格倡议）
本文证明在特定条件下，通过少量环境数据可唯一确定因果图结构，提出放松高斯噪声假设的方法，并扩展独立成分分析与因果发现的对偶性。
2026-05-14 cs.LG stat.ML
Identifiability Analysis of Linear ODE Systems with Hidden Confounders
The University of Melbourne（墨尔本大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
该研究针对含隐藏混杂因子的线性ODE系统可识别性条件未被探索的问题，系统分析了无因果关系、因果结构为DAG的两类潜混杂因子场景下的可识别性，并通过仿真验证了理论结果。
2026-10-07 cs.LG stat.ML
Invariance of Clustering Operations in Causal Effect Identification
University of Jyvaskyla（于韦斯屈莱大学）
本文研究因果图中聚类操作对因果效应识别的影响，提出基于c-分量的条件，定义并刻画了一类识别不变的聚类操作，并展示了其实际应用。
2026-10-05 cs.LG stat.ML
On Identifiability of Conditional Causal Effects
EPFL（洛桑联邦理工学院）；Technical University of Munich（慕尼黑工业大学）
本研究针对给定因果图和混合观测/干预分布下的任意条件因果效应，提出c-gID问题并给出可靠完备算法，证明do-演算完备性，扩展了gID及仅观测分布情形下的可识别性结果。
2023-06-19 cs.AI math.ST stat.TH
Identifiability of Sparse Causal Effects using Instrumental Variables
本文研究工具变量下稀疏线性因果模型的可识别性，提出图形准则与spaceIV估计器，并证明其一致性及在不可识别时恢复部分因果父节点的能力。
2024-10-18 math.ST stat.ME stat.ML
Identifying Causal Effects Under Functional Dependencies
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文研究功能依赖下的因果效应识别，提出消除程序移除功能性变量以增强可识别性并减少所需观测变量。
2024-05-22 cs.AI cs.LG cs.SC
Non-parametric identifiability and sensitivity analysis of synthetic control models
University College London（伦敦大学学院）；Spotify（Spotify公司）；Imperial College London（帝国理工学院）
量化因果关系是许多领域中的重要问题。金标准解决方案是进行随机对照试验。然而，在许多情况下，这种试验无法进行。在缺乏此类试验的情况下，人们设计了许多方法，在给定某些假设的情况下，根据观察数据量化干预措施的因果影响。一种广泛使用的方法是综合控制模型。虽然这种模型中的因果被估量的可识别性已经从一系列假设中获得，但人们广泛而含蓄地假设，干预前和干预后的所有时间段都满足基本假设。这是一个强有力的假设，因为综合控制模型只能在干预前阶段学习。在本文中，我们解决这一挑战，并证明可识别性，可以获得不需要这个假设，通过显示它遵循不变的因果机制的原则。此外，第一次，我们制定和研究综合控制模型在珍珠的结构因果模型框架。重要的是，我们提供了一个一般的框架，敏感性分析的合成控制因果推断违反的假设基础非参数可识别性。最后，我们提供了一个实证证明我们的敏感性分析框架的模拟和实际数据中广泛使用的线性综合控制框架。
2023-01-18 cs.AI cs.LG stat.ME
Identifiability of causal graphs under nonadditive conditionally parametric causal models
HEC Lausanne University of Lausanne（洛桑大学HEC商学院）
本文提出条件性参数因果模型，通过充分统计量证明其可识别性，并提出算法估计因果结构，展示在多个基准测试中取得先进性能。
2025-11-23 stat.ME
Revisiting the General Identifiability Problem
EPFL（洛桑联邦理工学院）
我们重新讨论了最初在[Lee et al.，2019]的因果推理，并注意到，有必要添加观测分布的正性假设的问题的原始定义。我们表明，如果没有这样的假设，do演算的规则以及因此在[Lee et al.，#20199;不健全。此外，添加该假设将导致[Lee等人，2019年，失败。在正性假设下，我们提出了一个新的算法，可证明的声音和完整的。该算法的一个很好的性质是通过将一般可识别性问题分解为一系列经典可识别性子问题，建立了Pearl [1995]的一般可识别性与经典可识别性之间的联系。
2022-06-02 cs.AI cs.LG stat.ML
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
Leveraging Task Structures for Improved Identifiability in Neural Network Representations
University of Cambridge（剑桥大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本工作扩展了监督学习的可识别性理论，证明在多任务回归中利用任务分布可实现线性可识别性，引入因果结构后能缩小等价类并实现简单优化，实验表明该方法在恢复合成与分子数据表示上优于无监督模型。
2024-08-23 cs.LG stat.ML
On the Parameter Identifiability of Partially Observed Linear Causal Models
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加州大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；KDDI Research（KDDI研究所）
本文针对部分观测线性因果模型，在更一般的设置下（允许所有变量灵活关联、考虑所有边系数），识别参数的三种不确定性类型，提出充分且部分必要的图形条件，设计基于似然的估计方法并通过实验验证其有效性。
2025-02-10 cs.LG stat.ME
Identifiability of Subgroup Causal Effects in Randomized Experiments with Nonignorable Missing Covariates
虽然随机化实验被广泛认为是估计因果效应的金标准，但预处理协变量的缺失数据使得估计亚组因果效应具有挑战性。当协变量的缺失数据机制是不可识别的时，感兴趣的参数通常是不可点识别的，并且我们只能得到感兴趣的参数的界限，这对于实际使用来说可能太宽了。在某些实际情况下，我们有先验知识，认为某些限制可能是合理的。我们展示了四种可解释的缺失数据机制的因果效应和联合分布的可识别性，并通过模拟研究评估了统计推断的性能。我们的方法的一个应用程序，从一个随机临床试验的真实数据集显示，一个不可重复的缺失数据机制比可重复的缺失数据机制更适合，结果符合研究的原始专家意见。我们还说明了我们的方法的潜在应用，观察性研究使用的数据集，从一个工作培训计划。
2014-01-07 math.ST stat.AP stat.TH
Demystifying amortized causal discovery with transformers
Institute of Science and Technology Austria（奥地利科学与技术研究所）；Chan Zuckerberg Initiative（查纳·泽克伯格倡议）；Mila - Quebec AI Institute and Université de Montréal（蒙特利尔AI研究所和蒙特利尔大学）
本文分析了CSIvA在双变量因果模型中的表现，发现其在测试时依赖于训练分布定义的先验，且在不同结构假设下改进了泛化能力，推翻了之前关于监督学习能克服限制的假设。
2026-03-18 cs.LG stat.ML
Surrogate Outcomes and Transportability
University of Jyvaskyla（于韦斯屈莱大学）
因果效应的识别是因果推理最基本的任务之一。我们考虑一个可识别性问题，其中一些实验和观测数据是可用的，但没有数据本身是足够的识别感兴趣的因果效应。代替感兴趣的结果，在实验中测量替代结果。这个问题是一个推广的可识别性使用替代实验，我们称之为替代结果可识别性。我们表明，可移植性的概念提供了一个足够的标准，确定代理结果可识别的一大类查询。
2019-03-12 cs.AI stat.ME
Counterfactual Identifiability via Dynamic Optimal Transport
Imperial College London（帝国理工学院伦敦分校）
本文提出通过连续时间流进行多变量反事实识别，利用动态最优传输工具建立反事实运输映射，确保一致推断，并在受控场景中验证理论，提升反事实声学的鲁棒性。
2026-03-24 cs.AI cs.LG stat.ML
Sample Complexity of Causal Identification with Temporal Heterogeneity
本文研究了在时间异质性条件下因果图恢复的样本复杂性，通过整合时间结构与环境异质性，提出了统一的可识别性条件，并揭示了厚尾分布下统计恢复的限制。
2026-02-06 cs.LG stat.ML
Towards a holistic understanding of Selection Bias for Causal Effect Identification
Carnegie Mellon University（卡内基梅隆大学）；University of California, Berkeley（加州大学伯克利分校）
研究在观测研究中存在选择偏差时，如何利用弱假设刻画倾向得分和选择概率，给出平均处理效应可识别性的充要条件，扩展了现有图形识别准则。
2026-06-01 cs.AI cs.LG stat.ME
Causal Identification in Time Series Models
Engineering and Applied Science, California Institute of Technology（工程与应用科学学院，加州理工学院）
本文分析了Causal Identification算法在带有潜在混杂因素的因果时间序列图中的适用性，首次提出了仅取决于变量数和最大时间滞后的界限，并证明对恒定大小图段应用该算法即可判定跨无限时间区间的因果效应可识别性。
2025-04-28 cs.AI cs.LG stat.ME
Computational Identifiability
New York University（纽约大学）
提出“计算可识别性”框架，通过有限计算搜索过程在指定误差容限内找到经验估计量，从而解决理论可识别性在有限样本、模糊图标准等实际场景中的不足。
2026-06-19 cs.AI cs.LG cs.NA
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；ifo Institute（伊弗经济研究所）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
提出检验随机分配治疗是否完全通过中介变量影响结果，以及不同中介的因果机制是否可识别，并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
Enhancing Identification of Causal Effects by Pruning
University of Jyvaskyla（于韦斯屈莱大学）
因果模型传达了我们对现实世界现象中的因果关系的假设。通常，兴趣在于识别动作的效果，这意味着从观察到的概率分布导出由动作引起的干预分布的表达式。在许多情况下，可识别性算法可能会返回一个复杂的表达式，其中包含实际上不必要的变量。在实践中，当处理测量误差或缺失数据时，这可能导致额外的计算负担和增加的偏差或估计的低效率。我们提出了图形化的标准，以检测变量是多余的，在确定因果关系的影响。我们还提供了一个众所周知的可识别性算法，实现这些标准的改进版本。
2018-06-19 cs.LG stat.ML
A Tutorial on Symbolic Structural Identifiability Analysis of ODE Models in Julia
Delaware State University（特拉华州立大学）
本文介绍了如何利用Julia中的StructuralIdentifiability.jl包进行符号结构可辨识性分析，通过七个案例研究展示了全局可辨识性、局部可辨识性、结构不可辨识性以及通过额外测量和重新参数化恢复可辨识性的方法。
2026-10-08 stat.ME
Identifiability of causal effects with non-Gaussianity and auxiliary covariates
Peking University（北京大学）；Beijing Technology and Business University（北京工商大学）
本文研究利用辅助协变量和非高斯性识别因果效应，提出假设未测量混杂因素为高斯分布，并推导出一致估计量，通过仿真实验和贸易对收入影响的分析验证方法有效性。
2026-03-29 math.ST stat.ME stat.TH
Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出迭代识别闭合框架，通过迭代反馈机制提升线性SEM中因果效应系数的可识别性，有效解决传统HTC方法无法处理的' inconclusive'因果效应问题。
2026-10-27 cs.LG stat.CO stat.ML
Identifiability of Treatment Effects with Unobserved Spatially Varying Confounders
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Chicago（芝加哥大学）；Washington University（华盛顿大学）
本文研究了在存在未观测空间变化混杂因素时处理效果的可识别性，通过线性模型和参数假设分析，探讨了不同空间模型下因果推断的可行性及注意事项。
2026-02-26 math.ST stat.ME stat.TH
Identifiability of Gaussian structural equation models with equal error variances
我们考虑结构方程模型中的变量可以写为一个函数，他们的父母和噪声项，这是假设为联合独立。对应于每个结构方程模型，存在描述变量之间关系的有向无环图。在具有线性函数的高斯结构方程模型中，假设忠实性，图只能从联合分布识别到马尔可夫等价类。在这项工作中，我们证明了充分的可识别性，如果所有的噪声变量具有相同的方差：有向无环图可以从联合高斯分布恢复。我们的结果对因果推断有直接的影响：如果数据遵循具有等误差方差的高斯结构方程模型，并假设所有变量都被观测到，则因果结构只能从观测数据中推断出来。我们提出了一个统计方法和算法，利用我们的理论研究结果。
2013-08-28 math.ST stat.ML stat.TH
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
Causal inference in partially linear structural equation models
本文研究了带高斯噪声的部分线性加性结构方程模型的可辨识性和分布等价模型的估计。因此，我们还包括高斯分布的邻域中的误差的鲁棒性结果。现有的可辨识性结果的框架下加性SEM与高斯噪声仅限于线性和非线性SEM，可以被认为是特殊情况下的PLSEMs消失的非参数或参数部分，分别。我们缩小了这两种特殊情况之间的巨大差距，通过（A）图形，（B）变换，（C）功能和（D）生成给定分布P的PLSEMs的因果排序特征，提供了PLSEMs可识别性的全面理论。特征（C）和（D）回答了一个基本问题，在加性SEM中，高斯噪声的非线性函数在多大程度上限制了潜在因果模型的集合，从而影响了可识别性。在变换表征（B）的基础上，我们提供了一个基于分数的估计过程，该过程输出给定PLSEM的分布等价类的图形表示（A）。我们推导出其（高维）的一致性，并证明其性能的模拟数据集。
2017-12-14 math.ST stat.TH
Identifying Causal Effects Using a Single Proxy Variable
Lakera AI
本文研究如何通过单一代理变量识别因果效应，提出SPICE假设并扩展了代理基于因果可识别性结果，开发了SPICE-Net神经网络估计框架。
2026-09-28 cs.LG math.ST stat.ME
Causal Representation Learning Made Identifiable by Grouping of Observational Variables
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系）
本文提出一种仅依赖观测变量分组这一弱约束的因果表示学习可辨识性方法，无需时间结构、干预或弱监督，并设计了自监督估计框架，在实验中优于现有基线且对混杂因素和因果循环具有鲁棒性。
2024-06-07 cs.LG stat.ML
Bayesian Causal Discovery with Cycles and Latent Confounders
Boston University School of Public Health（波士顿大学公共卫生学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Georgetown University（乔治城大学）；Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）
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
Identifiability Guarantees for Drivers and Dynamics of Delayed Physical Systems
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
针对延迟物理系统，提出一种基于理论的方法，证明在宽松假设下随机延迟微分方程的结构驱动因素与漂移项可辨识，并在两个基准上优于现有方法。
2026-10-02 cs.LG math.DS stat.ML
Causal Inference for Nonlinear Outcome Models with Possibly Invalid Instrumental Variables
工具变量方法被广泛用于在存在不可测量混杂因素的情况下推断因果效应。现有的非线性产出模型的工具变量方法需要严格的可辨识性条件。本文考虑了一个灵活的半参数潜在的结果模型，允许可能无效的工具。当大多数工具变量有效时，我们提出了新的可识别性条件来识别因果参数。我们设计了一个新的推理过程的一个新的平均结构函数和条件平均处理效应。我们建立了所提出的估计量的渐近正态性，并通过自助法构造了因果被估计量的置信区间。所提出的方法在大规模的模拟研究中得到了证明，并被应用于推断收入对房屋所有权的影响。
2022-06-30 stat.ME
Causal Discovery in Linear Structural Causal Models with Deterministic Relations
Georgia Institute of Technology（佐治亚理工学院）；University of Detroit Mercy（底特律梅西大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
线性结构因果模型（SCM）-其中每个观测变量是由其他观测变量的子集以及外生源的子集生成的-在因果推理和因果发现中很普遍。然而，对于因果发现的任务，现有的工作几乎完全集中在子模型中，每个观察到的变量与一个不同的源与非零方差。这导致了这样的限制，即没有观察到的变量可以确定性地依赖于其他观察到的变量或潜在的混杂因素。在本文中，我们通过关注不具有这种性质的线性SCM的子类，即，在这些模型中，观测变量可以受到源的任何子集的因果影响，并且允许是其他观测变量或潜在混杂因素的确定性函数。这允许对系统中的影响或信息传播进行更真实的建模。我们专注于从这个子类的成员产生的观测数据的因果发现的任务。我们得到了一组因果结构唯一可识别的充分必要条件。据我们所知，这是第一个工作，使潜在的混淆和确定性关系下的因果发现的可识别性结果。此外，我们提出了一个算法，用于恢复的基础因果结构时，满足上述条件。我们验证了我们的理论结果在合成和真实的数据集。
2022-11-08 cs.AI cs.IT cs.LG
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
Structural Identifiability of Graphical Continuous Lyapunov Models
该研究证明了无环图形化连续Lyapunov模型（GCLMs）模型等价性的两种刻画，给出对应贝叶斯网络经典结果的Lyapunov版本，提出多项式时间算法以测试模型等价性与结构可识别性，丰富了GCLMs因果推断理论。
2025-10-06 math.ST stat.TH
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
Clustering and Structural Robustness in Causal Diagrams
University of Jyvaskyla（于韦斯屈莱大学）
本文针对大规模因果图的简化问题，定义可保留因果效应可识别性的 transit cluster，提出寻找全部此类聚类的可靠完备算法，并揭示其与扩展图结构稳健性的关系。
2023-08-15 cs.LG stat.ME stat.ML
Clustering and Pruning in Causal Data Fusion
Department of Mathematics and Statistics（数学与统计学系）
针对多数据源因果融合中变量增多导致计算复杂的问题，提出剪枝和聚类预处理方法，基于小图推断大图中因果效应的可识别性并给出识别函数。
2026-09-09 cs.LG stat.ME stat.ML
Positivity: Identifiability and Estimability
正性，假设在一个群体中发生的每一个混杂变量的唯一组合都有一个非零的行动概率，可以进一步描述为确定性正性和随机正性。在这里，我们重新审视这一区别，研究其与非参数可识别性和可估计性的关系，并讨论如何解决违反积极性假设的问题。最后，我们将积极性与最近对机器学习的兴趣以及因果推断的数据自适应算法的局限性联系起来。积极性可能经常被忽视，但它对推理仍然很重要。
2022-07-11 stat.ME
Average Controlled and Average Natural Micro Direct Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文研究摘要因果图中平均受控与自然微观直接效应的可识别性，给出存在隐藏混杂时的充分条件，并证明无混杂时调整识别条件的必要性。
2025-10-09 cs.AI stat.ME
