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
Diffusion Model in Causal Inference with Unmeasured Confounders
Waseda University(早稻田大学)
针对存在未测量混杂因素时原有基于扩散的因果模型DCM无法适用的问题,提出基于后门准则的扩展模型BDCM,通过筛选扩散模型解码所需变量实现拓展,合成数据实验验证其反事实分布捕捉精度优于DCM。
2023-12-14 cs.AI cs.LG stat.ML
Provable Guarantees and Efficient Learning of Structural Equation Models with Latent Confounders
The University of Melbourne(墨尔本大学)
本文提出一种迭代识别终端节点并重构观测变量有向无环图的算法,通过稀疏加低秩分解精度矩阵处理潜在混杂变量,并给出样本复杂度保证,实验验证了理论结果。
2026-09-17 cs.LG 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
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
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
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin(柏林工业大学)
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题,本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验,明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
FRITL: A Hybrid Method for Causal Discovery in the Presence of Latent Confounders
School of Computer Science, Guangdong University of Technology(广东工业大学计算机学院);Department of Philosophy, Carnegie Mellon University(卡内基梅隆大学哲学系);Pazhou Lab(琶洲实验室);School of Mathematics and Big Data, Foshan University(佛山大学数学与大数据学院)
我们考虑的问题,估计一个特定类型的线性非高斯模型。不诉诸于过完备独立分量分析(ICA),我们表明,在一些温和的假设下,该模型是唯一确定的混合方法。我们的方法利用基于约束的方法和独立的基于噪声的方法来处理混杂和无混杂的情况下的优势。我们的方法的第一步使用FCI程序,它允许混淆,并能够产生渐近正确的结果。结果,不幸的是,通常确定非常少的无混淆的直接因果关系,因为只要有可能有一个混杂因素,它会表明it.The第二步,我们的程序中发现的无混淆的因果边缘之间的观察变量只有那些相邻的对FCI结果通知。通过利用所谓的Triad条件,第三步能够找到混杂因素及其与其他变量的因果关系。之后,如果需要的话,我们将ICA应用于一组非常小的图来识别剩余的因果关系。仿真数据和实际数据的实验验证了该方法的正确性和有效性。
2021-03-26 cs.LG stat.ML
LNML-based Causal Discovery with Latent Confounders: Theory and Experiments
Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院);Graduate School of Arts and Sciences, The University of Tokyo(东京大学文理研究生院)
研究非线性机制和潜在混杂因素下的因果发现难题,提出基于最小化运气归一化最大似然(LNML)码长的因果发现框架,用贪心算法确定变量对因果关系,能准确恢复因果关系并检测潜在混杂因素。
2026-11-03 cs.LG
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
Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders
Amazon(亚马逊);Spotify(声田);UCL(伦敦大学学院);Sharechat
回答因果问题的能力在许多领域都是至关重要的,因为因果推断使人们能够理解干预措施的影响。在许多应用中,在给定的时间只有单一的干预是可能的。然而,在一些重要领域,同时采取了多种干预措施。将单一干预措施的效果与联合实施的干预措施的效果区分开来是一项具有挑战性的任务,特别是因为同时实施的干预措施可能会相互作用。未观察到的混杂因素使这个问题变得更加困难,这些混杂因素影响治疗和结果。我们通过从观察数据和干预措施中了解单一干预措施的效果来应对这一挑战。我们证明,这是不可能的,但提供识别证明,证明它可以实现在非线性连续结构因果模型与加性,多变量高斯噪声-即使当未观察到的混杂因素存在。重要的是,我们展示了如何将观察到的协变量和学习异质性处理效应。基于可识别性证明,我们提供了一个算法,学习的因果模型参数,从不同的制度汇集数据,并联合最大化的组合似然。我们的方法的有效性是经验证明的合成和真实世界的数据。
2022-10-11 cs.LG stat.ML
Causal discovery for time series with latent confounders
University of Stuttgart(斯图加特大学)
重建我们观察到的现象背后的因果关系是所有科学领域的一个基本挑战。在复杂的系统中,通过实验发现因果关系通常是不可行的、不道德的或昂贵的。然而,计算能力的提高使我们能够处理现代科学产生的不断增长的数据量,从而对从观测数据中发现因果关系的问题产生了新的兴趣。这项工作评估的LPCMCI算法,其目的是找到一个多维的,高度自相关的时间序列兼容的发电机,而一些变量是未观察到的。我们发现,LPCMCI比随机算法模仿不知道什么,但仍然是远离最佳检测性能好得多。此外,LPCMCI在自动依赖项上表现最好,然后是同期依赖项,并且在滞后依赖项上表现最差。这个项目的源代码可以在线获得。
2022-09-07 cs.LG stat.ML
Causal Effect Inference with Deep Latent-Variable Models
University of Amsterdam(阿姆斯特丹大学);TNO Intelligent Imaging(荷兰应用科学研究组织智能成像);New York University(纽约大学);CIMS(库朗数学科学研究所);Massachusetts Institute of Technology(麻省理工学院);CSAIL & IMES(计算机科学与人工智能实验室与医学工程与科学研究所);University of Toronto(多伦多大学);CIFAR(加拿大高等研究院)
从观察数据中学习个体水平的因果效应,例如推断对特定患者最有效的药物,对政策制定者来说是一个越来越重要的问题。从观察数据中推断因果效应的最重要方面是处理混杂因素,即影响干预及其结果的因素。一项精心设计的观察性研究试图测量所有重要的混杂因素。然而,即使不能直接获得所有混杂因素,也可能存在混杂因素代理的噪声和不确定测量。我们建立在潜变量模型的最新进展,同时估计未知的潜在空间总结的混杂因素和因果关系的影响。我们的方法是基于变分自编码器(VAE),遵循因果结构的推理代理。我们表明,我们的方法比现有的方法显着更强大,并匹配国家的最先进的集中在个人处理效应以前的基准。
2017-11-06 cs.LG stat.ML
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
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego(加州大学圣地亚哥分校)
本文提出了一种两阶段迭代算法,用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构,通过路径条件保证可识别性,并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders
Intel Labs(英特尔实验室)
提出一种含潜在混杂因素的时间序列因果发现算法,按长期、短期到同期关系的顺序迭代精炼因果图,减少统计检验并提升准确率与图合理性。
2023-06-01 cs.AI cs.LG stat.ML
Bayesian estimation of possible causal direction in the presence of latent confounders using a linear non-Gaussian acyclic structural equation model with individual-specific effects
我们考虑在潜在混杂变量的存在下学习两个观测变量的可能因果方向。几种现有的方法已被证明是一致的估计因果方向假设线性或某种类型的非线性关系,没有潜在的混杂因素。然而,如果实际上违反任何一个假设,估计结果可能会失真。在本文中,我们首先提出了一个新的线性非高斯非循环结构方程模型与个人的具体影响,允许潜在的混杂因素被考虑。然后,我们提出了一个经验贝叶斯方法估计可能的因果方向,使用新的模型。我们使用人工和真实世界的数据证明了我们的方法的有效性。
2014-05-20 stat.ML
Automating the Selection of Proxy Variables of Unmeasured Confounders
Beijing Technology and Business University(北京工商大学);Guangdong University of Technology(广东工业大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);Peking University(北京大学)
本文提出在线性因果模型中自动化选择未测量混杂因素代理变量的方法,通过扩展估计器并基于二阶和高阶统计量给出可识别性条件,实现无偏因果效应估计,并在合成和真实数据上验证了有效性。
2024-05-25 cs.LG stat.ME
Estimating Treatment Effects with Observed Confounders and Mediators
Carnegie Mellon University(卡内基梅隆大学)
给定一个因果图,do演算可以将处理效应表示为可以凭经验估计的观测联合分布的泛函。有时do演算识别多个有效公式,促使我们比较相应估计量的统计特性。例如,后门公式适用于观察到所有混杂因素时,前门公式适用于观察到的中介传递因果效应时。在本文中,我们研究了过度识别的情况下,观察到的混杂因素和介质,使两个估计有效。针对线性高斯因果模型,我们证明了任何一个估计量都可以通过一个无界的常数因子支配另一个估计量。接下来,我们推导出一个最优估计,它利用所有观测变量,并限制其有限样本方差。我们表明,它严格优于后门和前门估计,这种改善可以是无限的。我们还提出了一个程序相结合的两个数据集,一个观察到的混杂因素和观察到的介质。最后,我们评估我们的方法模拟数据和IHDP和JTPA数据集。
2021-06-14 cs.LG econ.EM stat.ME
Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version)
HKUST(香港科技大学);Microsoft Research(微软研究院);Shanghai Jiao Tong University(上海交通大学)
针对潜在混杂因素下可微MAG学习难以扩展的问题,提出SPOT两阶段框架,通过SCL摊销推断骨架后验,并以其引导随机优化,从而缩小搜索空间并提升因果发现性能。
2024-06-15 cs.AI cs.LG stat.ML
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
Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data
Ant Group(蚂蚁集团);Alibaba Group(阿里巴巴集团);Zhejiang University(浙江大学)
针对网络化观测数据中隐藏混杂及调整因素与混杂因素混淆的问题,提出 GDC 框架,通过因果解耦、多图聚合和因果约束提升 ITE 估计效果。
2024-12-05 cs.IR cs.LG
Disentangled Representation for Causal Mediation Analysis
University of South Australia(南澳大利亚大学);Guangxi Normal University(广西师范大学);Simon Fraser University(西蒙菲莎大学)
本文提出 DMAVAE,通过将潜在混杂因素解耦为三类并采用逐段去混杂假设,替代序列可忽略性,以准确估计因果中介的自然直接、间接和总效应。
2023-12-16 cs.LG 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
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments
California Institute of Technology(加州理工学院);UC Irvine(加州大学欧文分校)
发现一组变量之间的完整因果关系集是一个具有挑战性的无监督学习问题。通常,这一挑战因存在潜在或隐藏的混杂因素而变得更加复杂。当只有观测数据可用时,问题是不适定的,即除非做出强有力的建模假设,否则因果关系是不可识别的。当干预措施可用时,我们在温和的假设下提供可识别性和可学习性的保证。我们假设一个线性结构方程模型(SEM)与独立的潜在因素和有向无环图(DAG)的观察之间的关系。由于隐变量的推理是基于独立分量分析(ICA),我们称之为SEM-ICA模型。我们使用矩量法原理来建立模型的可辨识性。我们开发了有效的算法的基础上耦合张量分解与线性约束,以获得可扩展的和有保证的解决方案。因此,我们提供了一个原则性的方法来解决因果发现和潜在变量推理的联合问题。
2021-01-17 cs.LG
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
Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science
Kyushu Institute of Technology(九州工业大学)
本文提出CFM-SD方法,利用物理模拟器作为do-运算符,解决AI-for-Science中潜在混杂因素和真实干预数据的因果发现问题,实验表明其在合成数据和真实科学数据中均表现出色。
2026-05-08 cs.AI cs.ET cs.LG
Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
针对未观测混杂与中介变量并存时的因果效应估计难题,提出 FDVAE,用变分自编码器学习前门调整集表征,并在合成与真实数据集上验证其优越性能。
2023-04-24 cs.LG stat.ME
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam(阿姆斯特丹大学)
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法,在给定因果模型的情况下,将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素,该潜在混杂因素在与治疗变量相同的空间中取值,而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应,而不依赖于常见但往往不切实际的假设,即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下,我们假设治疗和结果是离散的。因果关系的减少,然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下,可以通过合并观测数据来提高因果效应估计的准确性。其次,对于连续变量,假设线性高斯模型,我们推导出观测分布和干预分布参数的等式约束。第三,对于一般的连续设置(可能是非线性和非高斯),我们参数化的减少因果模型使用规范化流,一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验,发现在几种情况下,在不牺牲准确性的情况下,添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Spatio-Temporal Hierarchical Causal Models
本文提出时空层次因果模型,通过时空坍缩定理解决时空数据中未观察到的混杂因素问题,实现稳健的因果推断。
2025-11-27 cs.LG stat.ML
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
Data-Driven Confounder Selection via Markov and Bayesian Networks
为了无偏地估计结果的因果效应,通常假设不混淆。如果对潜在因果结构有足够的了解,则可以使用现有混杂因素选择标准来选择观察到的治疗前协变量$X$的子集,如果存在这些子集,则足以不混淆。在这里,这些目标子集的估计被认为是当潜在的因果结构是未知的。所提出的方法是通过概率图模型对因果结构进行建模,例如,马尔可夫或贝叶斯网络,从观察到的数据估计该图,并在给定估计的图的情况下选择目标子集。该方法是通过模拟在一个高维的设置,其中unconfoundedness持有给定的$X$,并在一个设置,其中unconfoundedness只持有给定的子集的$X$。几个常见的目标子集进行了调查和选定的子集进行比较,在估计平均因果效应的准确性。所提出的方法是实现与现有的软件,可以很容易地处理高维数据,在大样本和协变量的大量。从模拟研究的结果表明,如果unconfoundedness保持给定$X$,这种方法是非常成功的选择目标子集,优于其他方法的基础上随机森林和LASSO,和子集估计的目标子集包含所有原因的结果产生最小的平均因果效应估计的MSE。
2017-03-17 stat.ME
Deconfounded Reasoning for Multimodal Fake News Detection via Causal Intervention
Beihang University(北京航空航天大学);School of Mathematics, Sun Yat-sen University(中山大学数学学院);School of Artificial Intelligence, University of Chinese Academy of Sciences(中国科学院大学人工智能学院);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);Beijing National Research Center for Information Science and Technology, Tsinghua University(清华大学北京信息科学与技术国家研究中心);Tencent AI Lab(腾讯AI Lab)
针对现有多模态假新闻检测忽视跨模态混淆因素的问题,提出CIMDD框架,通过统一SCM建模三类混淆因素,设计三个因果模块阻断虚假相关性,在两个数据集上准确率分别提升4.27%和4.80%,泛化鲁棒性强。
2025-04-12 cs.LG cs.MM
Confounder-Dependent Bayesian Mixture Model: Characterizing Heterogeneity of Causal Effects in Air Pollution Epidemiology
本文提出依赖混杂因素的贝叶斯混合模型(CDBMM),利用依赖狄利克雷过程识别具有相似群体平均处理效应的互斥人群群体,并在Medicare数据中发现PM2.5对死亡率因果效应的六个异质性群体。
2023-10-30 stat.AP stat.ME
Differentiable Structure Learning for Cyclic Linear Gaussian Models with Latent Confounders
EPFL(洛桑联邦理工学院);Leiden University(莱顿大学)
本文提出一种可微结构学习方法,用于含潜在混杂因子的循环线性高斯模型,通过伯努利门和闭式可微惩罚实现全局一致的结构学习,实验显示恢复误差更低。
2026-10-01 cs.AI cs.LG
A General Bayesian Nonparametric Approach for Estimating Population-Level and Conditional Causal Effects
Seoul National University(首尔大学);University of Chicago(芝加哥大学);University of California, Santa Cruz(加州大学圣克鲁兹分校)
本文提出了一种通用的贝叶斯非参数方法,用于估计群体层面和条件因果效应,通过灵活建模结果分布以提高治疗效应异质性的估计精度。
2025-11-28 stat.ME
Causal Estimation with Functional Confounders
New York University(纽约大学);Columbia University(哥伦比亚大学)
因果推断依赖于两个基本假设:可解释性和积极性。我们研究因果推断时,真正的混杂值可以表示为一个函数的观察数据,我们称之为设置估计与功能性混杂(EFC)。在这种情况下,可解释性得到了满足,但肯定性被违反了,一般来说,因果推断是不可能的。我们考虑两种情况下的因果关系是可估计的。首先,我们讨论干预的一部分,称为功能性干预和充分条件,这些干预措施的效果估计称为功能性积极性。第二,我们开发的非参数效应估计的基础上的梯度场的功能混淆和真正的结果函数的条件。为了估计这些条件下的效果,我们开发了水平集正交下降估计(LODE)。此外,我们证明LODE的效果估计的误差范围,评估我们的方法模拟和真实的数据,并实证证明EFC的价值。
2021-02-17 cs.LG stat.ME stat.ML
On the Non-Monotonicity of a Non-Differentially Mismeasured Binary Confounder
Linköping University(林雪平大学)
假设我们感兴趣的是二元治疗对结果的平均因果效应,当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到,但它的非微分二元代理被观测到。我们确定的条件下,调整代理来更接近不可计算的真实平均因果效应比不调整。与其他作品不同,我们不假设混杂因素对结果的平均因果影响在治疗和未治疗之间是相同的方向。
2021-01-28 cs.LG stat.ME stat.ML
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
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的,但是,如果混杂因素有缺失值,这将变得具有挑战性。一般来说,如果混杂因素是非随机缺失,则无法识别因果效应。我们提出了一个新的框架,以非参数识别因果关系的影响与混杂因素的结果无关的missingness,即缺失数据的机制是独立的结果,给定的治疗和可能的缺失混杂因素。然后,我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Dynamical causality under invisible confounders
Northwestern Polytechnical University(西北工业大学);Center for Excellence in Molecular Cell Science, Chinese Academy of Sciences(中国科学院分子细胞科学卓越创新中心);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);South China University of Technology(华南理工大学);Guangdong Institute of Intelligence Science and Technology(广东智能科学技术研究院);Fudan University(复旦大学);Shanghai Artificial Intelligence Laboratory(上海人工智能实验室);Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences(中国科学院大学杭州高等研究院)
针对不可见混杂因素下因果推断难的问题,提出基于延迟嵌入空间正交分解的CIC方法,可量化变量因果关系、重构混杂因素,解决高维系统因果检测及变量不可分问题,经真实数据集验证有效。
2024-08-10 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
Causal Inference of General Treatment Effects using Neural Networks with A Diverging Number of Confounders
本文提出一种基于人工神经网络的广义优化框架,用于在混杂因素维度发散时有效估计一般处理效应,建立了新的逼近误差界以缓解维度灾难,并证明了估计量的根-n一致性和渐近正态性。
2023-11-17 stat.ME stat.ML
Quantifying Error in the Presence of Confounders for Causal Inference
Microsoft Research India(微软印度研究院)
估计平均因果效应(ACE)是有用的,每当我们想知道干预措施对给定结果的影响。在缺乏随机实验的情况下,许多方法,如分层和反向倾向加权已被提出来估计ACE。然而,很难知道哪种方法对于给定的数据集是最佳的,或者对于所选择的方法使用哪些超参数。为此,我们提供了一个框架来表征损失的因果推理方法对真正的ACE,框架因果推理作为一个表示学习的问题。我们表明,许多流行的方法,包括后门方法,可以被认为是加权或表示学习算法,并提供一般的误差界的因果估计。此外,我们考虑的情况下,未观察到的变量可以混淆的因果估计和扩展建议的界限,使用鲁棒统计的原则,考虑混杂的Huber污染模型下的污染。这些界限也是可估计的,作为一个例子,我们提供了经验的逆倾向加权(IPW)估计的界限,并显示如何使用的界限可以用来优化阈值的裁剪极端倾向得分。我们的工作提供了一种新的方式来推理竞争估计,并开辟了潜在的衍生新方法,最大限度地减少建议的误差范围。
2019-07-10 cs.LG stat.ME stat.ML
Causal Inference with Confounders MNAR under Treatment-independent Missingness Assumption
观察性研究中的因果推断在混杂因素可能缺失时具有挑战性。一般来说,即使在限制性参数模型假设下,当混杂因素非随机缺失时,也不能保证因果效应的识别。为了解决这一问题,我们提出了一个通用框架,以建立因果关系的识别时,混杂因素受到治疗无关的缺失,这意味着缺失数据机制是独立的治疗,考虑到结果和可能的缺失混杂因素。我们特别考虑了常用的连续和二元结果模型,并在识别失败时提供了反例。在估计方面,我们给出了模型参数的加权估计方程估计方法,并在估计模型的基础上给出了平均因果效应的三个估计量。我们通过模拟评估有限样本的估计性能。我们进一步说明了所提出的方法,从全国健康和营养检查调查的真实数据集。
2023-03-22 stat.ME
Identifying Causal Effects With Proxy Variables of an Unmeasured Confounder
我们考虑一个因果效应,它被一个未观察到的变量混淆,但与观察到的混淆因素的代理变量。我们表明,至少有两个独立的代理变量满足一定的秩条件,因果效应是非参数识别,即使测量误差机制,即,可能无法识别给定混杂因素的代理的条件分布。我们的结果推广了Kuroki & Pearl(2014)基于测量误差机制识别的识别策略。当只有一个代理的混杂因素是可用的,或所需的排名条件不满足,我们开发了一个策略来测试没有因果关系的原假设。
2018-06-28 stat.ME
On Proximal Causal Learning with Many Hidden Confounders
我们推广了Miao,Geng和Tchetgen Tchetgen(2018)的近似g-公式,用于使用代理变量在未观察到的混淆下进行因果推断。具体来说,我们表明,该公式适用于所有的因果模型在一定的等价类,这个类包含的模型中,未观察到的混杂因素的集合的水平的总数可以任意大于每个代理变量的水平数。虽然很容易获得,但结果对应用程序来说可能很重要。模拟证实了我们的正式论点。
2020-12-12 stat.ME
Multiple Causes: A Causal Graphical View
Columbia University(哥伦比亚大学)
未观察到的混杂是从观察数据进行因果推断的主要障碍。混杂因素-影响原因和结果的变量-在两者之间引起虚假的非因果关系。Wang & Blei(2018)用“多种原因的祝福”降低了这一障碍,其中多种原因的相关性结构为未观察到的混淆提供了间接证据。他们通过一种称为“去混淆”的算法来利用这些优势,该算法使用概率因子模型来校正混淆因素。在本文中,我们采取了因果图的观点的deconfounder。在一个编码共享混杂的图中,我们展示了原因的多样性如何帮助识别干预分布。然后,我们证明了deconfounder,表明它使干预的有效推论。最后,我们扩大类的图,它的理论,包括其他混杂因素和选择变量。我们的研究结果扩展了Wang & Blei(2018)的理论,证明了因果图的解方器,并扩展了可以使用它的设置。
2019-05-30 cs.LG stat.ME stat.ML
Identification and Estimation of Causal Effects with Confounders Missing Not at Random
本文在混杂因素非随机缺失且缺失性与处理无关的假设下,建立了因果效应的可识别性,并提出加权估计方程方法及三种平均因果效应估计量,通过模拟和实际数据验证其有效性。
2023-10-30 stat.ME
Proximal Balancing for Causal Effect Estimation under Unmeasured Confounding
针对未测量混杂下的因果效应估计,提出近端平衡方法,通过学习协变量和代理的低维摘要实现组间可比,无需逆问题或潜模型,并提供理论保证与PROBE算法。
2026-10-22 cs.LG stat.ME stat.ML
On the Monotonicity of a Nondifferentially Mismeasured Binary Confounder
IDA, Linköping University(林雪平大学IDA)
假设我们感兴趣的是二元治疗对结果的平均因果效应,当这种关系被二元混杂因素混淆时。假设混杂因素未被观测到,但它的一个非微分代理被观测到。我们表明,在一定的单调性假设,是经验验证,调整代理产生的效果之间的未调整和真实的措施措施的措施。
2020-08-23 cs.LG stat.ME stat.ML
Causal Structure Representation Learning of Confounders in Latent Space for Recommendation
MIC Lab, College of Computer Science and Technology, Jilin University(吉林大学计算机科学与技术学院MIC实验室);Key Laboratory of Trustworthy Distributed Computing and Service (MoE), Beijing University of Posts and Telecommunications(北京邮电大学可信分布式计算与服务重点实验室);Institute of Artificial Intelligence, Beihang University and Zhongguancun Laboratory(北航人工智能研究院和中关村实验室)
本文针对推荐系统中不可观测混杂因素导致用户偏好推断失真的问题,提出在潜在空间解耦混杂因素与用户偏好,并结合局部与全局因果图建模其用户特异性影响,基于变分自编码器构建CSC模型,在多个数据集上验证了模型优越性和因果表示的可控性。
2025-05-06 cs.AI cs.IR cs.LG
Learning Gaussian Graphical Models with Latent Confounders
针对潜在混杂因子干扰高斯图模型结构推断的问题,本文探究了LVGGM与PCA+GGM两种推断策略的关联,提出融合二者优势的新方法,证明了PCA类方法的一致性与收敛速率,给出方法选用指导,并通过模拟和真实应用验证了有效性。
2023-07-24 stat.ME stat.ML
Causal discovery under a confounder blanket
University College London(伦敦大学学院)
从观测数据中推断因果关系很少是直截了当的,但在高维中这个问题尤其困难。对于这些应用,因果发现算法通常需要参数限制或极端稀疏约束。我们放松这些假设,并专注于一个重要的,但更专业的问题,即恢复的因果顺序之间的子图的变量已知下降从一些(可能是大)的一组混杂协变量,即$\textit{confounder blanket}$。这在许多情况下是有用的,例如当研究具有提供背景信息的遗传数据的动态生物分子子系统时。根据一个结构性的假设称为$\textit{confounder blanket principle}$,我们认为这是必不可少的易于处理的因果发现在高维,我们的方法可容纳低或高稀疏性的图形,同时保持多项式时间复杂度。我们提出了一个结构学习算法,这是可证明的声音和完整的一个所谓的$\textit{lazy oracle}$。我们设计了线性和非线性系统的有限样本误差控制的推理程序,并在一系列模拟和真实世界的数据集上展示了我们的方法。附带的$\texttt{R}$包$\texttt{cbl}$可从$\texttt{CRAN}$获得。
2022-06-28 cs.AI stat.ME stat.ML