Constraint-Based Causal Discovery using Partial Ancestral Graphs in the presence of Cycles
Korteweg-de Vries Institute（科特韦格-德弗里斯研究所）；University of Amsterdam（阿姆斯特丹大学）；Institute for Computing and Information Sciences（计算与信息科学研究所）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
本文证明了FCI算法在处理含反馈环的观测数据时依然可靠且完备，能一致估计因果关系及特定环的缺失，并将该结论扩展至利用背景知识的因果发现算法。
2023-09-15 cs.AI cs.LG math.ST
Identification in Tree-shaped Linear Structural Causal Models
University of Lübeck（吕贝克大学）；Saarland University（萨尔大学）
线性结构方程模型将直接因果效应表示为有向边，将混杂因素表示为双向边。一个开放的问题是从节点之间的相关性中识别因果参数。我们调查模型，其有向分量形成一棵树，并表明，有，除了经典的工具变量，丢失的周期的双向边缘可以用来识别模型。他们可以产生系统的二次方程，我们明确解决，以获得一个或两个解决方案的因果参数相邻的有向边缘。我们展示了如何多个丢失的周期可以结合起来，以获得一个独特的解决方案。这导致了一种算法，可以识别以前需要基于格罗布纳基的方法的实例，该方法在结构参数的数量上具有双指数时间复杂度。
2022-03-04 cs.AI cs.LG cs.SC
Causal Discovery with a Mixture of DAGs
Vanderbilt University Medical Center（范德比尔特大学医学中心）
生物医学中的因果过程可能包含周期，随着时间的推移而演变或在人群之间存在差异。然而，许多图形模型不能适应这些条件。我们建议使用有向循环图（DAG）的混合物来建模因果关系，其中人口中的联合分布在任何单个时间点都遵循DAG，但在时间上可能不同的DAG。我们还介绍了一种算法，称为因果推断混合，使用纵向数据来推断一个图形，总结了从混合的DAG产生的因果关系。实验表明，与现有方法相比，性能有所改善。
2020-09-05 cs.LG stat.AP stat.ML
Analysing the causal effect of London cycle superhighways on traffic congestion
运输运营商有一系列干预方案可供选择，以改善或加强其网络。这种干预往往是在没有可靠证据证明其结果的情况下进行的。自行车高速公路作为一种可持续和健康的出行方式得到推广，其目的之一是减少交通拥堵。由于这种干预在交通网络上的非随机分配，估计自行车高速公路对拥堵的影响是复杂的。在本文中，我们分析的因果关系的循环高速公路利用干预前和干预后的交通和道路特征的信息，以及社会经济因素。我们提出了一个基于倾向得分和结果回归模型的建模框架。该方法也被扩展到双鲁棒设置。仿真结果表明，该方法的性能优于现有的竞争对手。该方法被应用到分析一个真实的数据集上的伦敦交通网络。所提出的方法可以帮助有效的决策，以提高网络性能。
2021-02-23 stat.AP
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声，理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML
Interventional Causal Discovery in a Mixture of DAGs
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Carnegie Mellon University（卡内基梅隆大学）；IBM Research（IBM研究院）
本文针对混合DAG因果系统的发现挑战，确立干预规模充要条件并设计自适应算法，用O(n²)干预识别真边，且在无循环时达最优。
2024-12-03 cs.AI cs.LG 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
Local Constraint-Based Causal Discovery under Selection Bias
University of Amsterdam（阿姆斯特丹大学）；Microsoft Research Cambridge（微软剑桥研究院）
我们认为，除了混杂的问题，发现因果关系的独立性约束的选择偏差。虽然开创性的FCI算法是健全和完整的，在这种设置下，没有标准的因果关系的解释，其输出下的选择偏见是目前已知的。相反，我们专注于本地模式的独立关系，在那里我们找到没有声音的方法，只有三个变量，可以包括背景知识。Y-结构模式被证明是合理的选择偏差下的数据，其中可能存在周期预测因果关系。我们引入了一个有限样本评分规则的Y结构，成功地预测因果关系的模拟实验，包括选择机制。在真实世界的微阵列数据上，我们表明Y结构变体在不同的数据集上表现良好，可能会避免由于选择偏差而导致的虚假相关性。
2022-03-03 cs.AI cs.LG 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
When Models Examine Themselves: Vocabulary-Activation Correspondence in Self-Referential Processing
Independent Researcher（独立研究者）
研究通过拉取方法论揭示了自我参照处理中词汇与激活动态的对应关系，展示了模型自我反省能力与内部计算状态的关联。
2026-02-18 cs.AI cs.CL cs.LG
Re-examining Granger Causality with Causal Bayesian Networks and Reichenbachs Principles
Univie Doctoral School of Computer Science (DOCS)（维也纳计算机科学博士学院）
本文通过赖兴巴赫原理和因果贝叶斯网络重新解释格兰杰因果关系，提出因果化格兰杰因果关系（c-GC）算法，赋予其稳健的因果解释，并在合成数据上取得满意结果。
2026-07-31 cs.LG econ.EM stat.ME
The Effect of Noise Level on Causal Identification with Additive Noise Models
Faculty of Science, Technology and Communication（科学与技术通信学院）
近年来，在因果推断和因果学习领域进行了大量的研究。许多方法已被开发出来，以确定模型中的因果对，并已成功地应用于观测的现实世界的数据，以确定因果关系的方向。这些方法中的许多需要简化假设，例如不存在混杂、周期和选择偏倚。然而，在双变量的情况下，因果发现问题仍然具有挑战性。也允许处理双变量情况的一类这样的方法基于加性噪声模型（ANM）。不幸的是，这些方法的一个方面直到现在还没有得到太多的关注：不同的噪声水平对这些方法识别因果关系方向的能力有什么影响。这项工作的目的是弥合这一差距的实证研究的帮助。在这项工作中，我们考虑了二元情况，这是因果发现问题的最基本形式，其中需要确定是X导致Y还是Y导致X，给定两个变量X，Y的联合分布。此外，已经选择了两种特定的方法，\textit{Regression with Subsequent Independence Test}和\textit{Identification using Conditional Variances}，这两种方法已经用ANM的穷举范围进行了测试，其中加性噪声的水平逐渐从原因噪声水平的1%变化到10000%（后者保持固定）。此外，这项工作中的实验考虑了几种不同类型的分布以及线性和非线性ANM。实验结果表明，这些方法可能无法捕捉到真正的因果方向的一些水平的噪声。
2021-08-24 cs.LG stat.ML
Causal Effect Identification in Acyclic Directed Mixed Graphs and Gated Models
Linköping University（林雪平大学）
我们引入了一个新的图形模型，包括可能有向，无向和双向边，但没有定向循环的图形。我们表明，这些模型是适合于表示因果模型的附加误差项。我们提供了一组充分的图形标准识别任意因果效应时，新的模型包含有向和无向的边缘，但没有双向边缘。我们还提供了一个必要的和充分的图形标准的因果关系的影响，一个单一的变量上的其他变量的识别。此外，我们开发了一种精确的算法，通过答案集编程从观察和干预数据中学习新模型。最后，我们介绍了门控模型的因果效应识别，一个新的家庭的图形模型，利用上下文特定的独立性，以确定额外的因果效应。
2017-05-28 cs.AI stat.ML
Causal Analysis at Extreme Quantiles with Application to London Traffic Flow Data
提出一种结合重尾特征估计极端尾部处理效应的新方法，应用于伦敦交通数据，发现Cycle Superhighways运营后极端交通流量显著增加。
2023-08-07 stat.ME
Characterizing Distribution Equivalence and Structure Learning for Cyclic and Acyclic Directed Graphs
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Carnegie Mellon University（卡内基梅隆大学）
定义非循环有向因果图模型之间等价性的主要方法是基于因果模型可以生成的分布中的条件独立关系，即马尔科夫等价性。然而，众所周知，当因果结构中允许循环时，条件独立性可能不是两个结构等价的合适概念，因为它不能反映分布中对识别底层结构有用的所有信息。在本文中，我们提出了一个一般的，统一的概念，等价的线性高斯因果有向图模型，无论它们是循环的或非循环的。在我们提出的等价定义中，如果两个结构可以生成相同的数据分布集，则它们是等价的。我们还提出了一个较弱的概念，称为准等价等价，我们表明是从观测数据的可识别性的程度。我们提出了分析以及图形的方法来表征两个结构的等价性。此外，我们提出了一个基于分数的方法来学习的结构从观测数据，成功地处理了非循环和循环结构。
2020-07-02 cs.LG stat.ML
Distributional Equivalence in Linear Non-Gaussian Latent-Variable Cyclic Causal Models: Characterization and Learning
Carnegie Mellon University（卡内基梅隆大学）；FernUniversität in Hagen（哈根函授大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
本文提出了一种线性非高斯潜在变量循环因果模型的分布等价性特征化方法，填补了无结构假设的因果发现空白。
2026-03-05 cs.LG stat.ML
Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data
本文提出一种函数型线性结构方程模型，通过低维因果嵌入空间处理可能含循环的多元函数数据因果发现，并建立完全贝叶斯推断框架，在模拟和脑电图数据上验证了其优越性。
2023-10-31 stat.ME stat.ML
Comparative Benchmarking of Causal Discovery Techniques
TCS Research（塔塔咨询服务研究部）
在本文中，我们提出了一个全面的观点突出的因果发现算法，分为两个主要类别（1）假设无循环和无潜变量，（2）允许循环和潜变量，以及实验结果比较他们从三个角度：（a）结构准确性，（b）标准预测准确性，（c）准确性的反事实推理。对于（b）和（c），我们训练具有由每种因果发现技术预测的结构的因果贝叶斯网络，以执行反事实或标准预测推理。我们比较了两个publicly可用的因果算法和一个模拟数据集具有不同的样本大小：小，中，大。实验表明，技术的结构准确性并不一定与推理任务的更高准确性相关。此外，在具有大量变量的数据集的情况下，调查的结构学习算法在结构准确性方面表现不佳。
2017-09-12 cs.AI 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
A Fast Non-parametric Approach for Local Causal Structure Learning
我们研究因果结构学习的问题，基本上没有假设的功能关系和噪音。我们开发了DAG-FOCI，这是一个计算速度快的算法，该算法基于~ \cite{azadkia2021simple}中的FOCI变量选择算法。DAG-FOCI输出感兴趣的响应变量的父变量集。我们提供了理论上的保证，我们的程序时，底层图不包含任何（无向）周期包含响应变量的利益。此外，在没有这个假设的情况下，我们给出了一个保守的保证，对假阳性的因果关系索赔时，一套父母是可识别的。我们证明了DAG-FOCI的适用性模拟以及一个真正的数据集从计算生物学~ \cite{sachs2005causal}。
2022-03-18 math.ST stat.ME stat.ML
Context-Aware Reasoning On Parametric Knowledge for Inferring Causal Variables
CISPA Helmholtz Center for Information Security（CISPA 欧洲信息安全中心）；Microsoft（微软公司）
本文提出一个包含4000多个查询的因果图补全基准，证明LLM能根据全图上下文推理后门变量，而非简单记忆关联。
2025-09-25 cs.LG stat.ME
Complementary strengths of the Neyman-Rubin and graphical causal frameworks
本文通过实例展示Neyman-Rubin框架与图式因果框架在处理不同数据生成机制时的互补优势，提升因果推理方法的理解与应用。
2025-12-09 stat.ME
Axiomatization of Interventional Probability Distributions
本文提出干预概率分布族的简单公理化，不依赖结构因果模型或真实因果图，仅基于单变量干预，并证明干预分布和观测分布对导出的因果图具有马尔可夫性，从而统一并扩展了现有因果推断理论。
2023-11-14 math.ST stat.ML stat.OT
Identifying Macro Causal Effects in C-DMGs over DMGs
Sorbonne Université（索邦大学）；INSERM（法国国家医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔-路易流行病学与公共卫生研究所）
本文研究了基于有向混合图（DMG）的聚类有向混合图（C-DMG）中的宏观因果效应识别问题，证明了do-calculus在该场景下是无条件健全且完备的，并将不可识别性的图判据扩展至该图模型的子集。
2025-06-24 cs.AI stat.ME
Causal inference approach to appraise long-term effects of maintenance policy on functional performance of asphalt pavements
本文提出一种结合因果结构模型与潜在结果框架的因果推断方法，用于评估四种预防性养护处理对沥青路面纵向裂缝的5年长期效果，并验证其能准确评估养护效果与时机。
2024-07-03 cs.AI stat.AP
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
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
Generalizing Goal-Conditioned Reinforcement Learning with Variational Causal Reasoning
Carnegie Mellon University（卡内基梅隆大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出用因果图增强目标条件强化学习，将其表述为以因果图为潜在变量的变分似然最大化问题，通过交替估计因果图后验和学习泛化模型提升泛化能力，并在九个任务上验证了方法的有效性。
2023-05-17 cs.AI cs.LG cs.RO
Causal Inference for Multiple Treatments using Fractional Factorial Designs
我们考虑在潜在结果框架内使用部分析因和不完全设计的多因素实验的设计和分析。当有限的资源使得运行完全析因设计不可行时，这些设计特别有用。我们将基于设计的方法与标准回归方法相结合。我们进一步激发了这些设计在多因素观察性研究中的有用性，其中某些治疗组合可能非常罕见，以至于在与它们对应的观察数据中没有测量结果。因此，概念化一个假设的部分析因实验，而不是一个完整的析因实验允许在这些设置进行适当的分析。我们说明了我们的方法，从2003-2004年周期的国家健康和营养检查调查的生物医学数据，以检查四种常见的农药对身体质量指数的影响。
2022-01-28 stat.ME
Constraint-based Causal Discovery from Multiple Interventions over Overlapping Variable Sets
University of Crete（克里特大学）；Foundation for Research and Technology - Hellas (FORTH)（希腊研究与技术基金会（FORTH））
科学实践通常涉及反复研究一个系统，每次都试图从不同的角度来解释。在每项研究中，科学家可以在不同的实验条件下进行测量（干预，操纵，扰动），并测量不同的数量（变量）。结果是来自不同数据分布的异构数据集的集合。在这项工作中，我们提出了算法COmbINE，它接受一个集合的数据集在不同的实验条件下重叠的变量集; COmbINE然后输出一个总结的所有因果模型，表明不变的和变异的结构特征的所有模型，同时适合所有的输入数据集。COmbINE将数据中估计的依赖性和独立性转换为数据生成因果模型上的路径约束，并将它们编码为SAT实例。该算法在样本限内是合理和完备的。为了解释统计误差引起的冲突约束，我们引入了一种一般的方法，用于按照置信度的顺序对约束进行排序，计算为它们相应的p值的函数。在我们的实证评估中，COmbINE在效率方面优于唯一预先存在的类似算法;后者还承认反馈周期，但不承认冲突的约束，这阻碍了对真实数据的适用性。作为概念验证，COmbINE用于共分析4个真实的质谱细胞计数数据集，测量在3种不同干预下重叠蛋白质集的磷酸化蛋白质浓度。
2014-03-10 cs.AI stat.ML
On the Number of Experiments Sufficient and in the Worst Case Necessary to Identify All Causal Relations Among N Variables
Carnegie Mellon University（卡内基梅隆大学）
我们表明，如果任何数量的变量被允许在任何一个实验中同时和独立随机化，log 2（N）+1实验是足够的，在最坏的情况下，必要的，以确定N >= 2个变量之间的因果关系时，没有潜变量，没有样本选择偏差，没有反馈周期。对于所有K，0 < K < 1/（2N），我们提供了当每个实验同时随机化K个变量时确定因果结构所需的实验数量的上限。对于较大的N，这些界限显着低于N - 1界限时，每个实验随机化最多一个变量所需的。当kmax < N/2时，我们证明了（N/kmax-1）+N/（2kmax）log 2（kmax）实验是充分的，在最坏情况下是必要的。我们在猜想的最小数量的实验，在最坏的情况下，足以确定所有的因果关系N个观察到的变量是一个DAG的顶点的子集。
2012-07-04 cs.AI stat.ME
Identifying Macro Conditional Independencies and Macro Total Effects in Summary Causal Graphs with Latent Confounding
INSERM（法国国家健康与医学研究院）；ENS de Lyon（里昂高等师范学院）
本文研究了具有潜在混杂的摘要因果图，明确区分了宏观与微观条件独立性及总效应，证明了d-分离和do-演算在识别宏观条件独立性和宏观总效应时的可靠性与完备性，并给出了宏观总效应不可识别性的图特征化。
2024-12-20 cs.AI stat.ME
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
2025-12-23 cs.AI stat.ME
Causal Inference in Geoscience and Remote Sensing from Observational Data
Universitat de València（瓦伦西亚大学）
从观测数据中建立随机变量之间的因果关系可能是当今\blue{science}中最重要的挑战。在遥感和地球科学中，这对于更好地了解地球系统和各控制过程之间复杂的相互作用具有特别的意义。在本文中，我们专注于观察因果推断，因此，我们试图估计正确的方向因果关系使用一组有限的经验数据。此外，我们专注于更复杂的双变量场景，需要强假设，没有条件独立性测试可以使用。特别是，我们探索（非确定性）加性噪声模型的框架，它依赖于原因和生成机制之间的独立性原则。这种原理的实际算法实例仅需要1）在前向和后向方向上的两个回归模型，以及2）所获得的残差与观测值之间的{ \em统计独立性}的估计。导致更多独立残差的方向被确定为原因。相反，我们提出了一个标准，使用{ \em灵敏度}（衍生物）的依赖估计，灵敏度标准允许识别样本最影响的依赖措施，因此该标准是鲁棒的虚假检测。我们说明了在收集的28个地球科学因果推断问题，在辐射传输模型模拟和机器学习仿真器在植被参数建模涉及182个问题的数据库中的性能，并在评估不同的回归模型在碳循环问题的影响。该标准在所有情况下都达到了最先进的检测率，它通常对噪声源和失真具有鲁棒性。
2020-12-07 cs.LG eess.SP stat.ME
Characteristic Imsets for Cyclic Linear Causal Models and the Chickering Ideal
本文研究循环线性因果模型中的协方差等价性，利用与特征 imset 对应线性映射相关的环面理想，证明相同特征 imset 向量蕴含协方差等价，为贪心因果发现提供更小搜索空间。
2025-06-16 math.AG math.CO math.ST
Data-Driven and Cycle-Agnostic Covariate Selection for Nonparametric Causal Effect Estimation
Leiden University（莱顿大学）
本文提出一种基于条件独立性的本地数据驱动方法，用于非参数和周期无关的因果效应估计，证明其在存在循环因果模型时的有效性，并通过合成数据验证了方法的可靠性。
2026-11-05 cs.LG
A causal machine learning approach to disentangling the pressure-satisfaction pathways in depression
Washington University in St. Louis（华盛顿大学圣路易斯分校）
本研究采用因果机器学习方法，揭示压力与生活满意度在抑郁中的因果路径，发现压力是抑郁风险的主要因素，而生活满意度部分通过缓解压力来减轻抑郁，且年龄和焦虑水平影响风险模式。
2026-01-12 stat.AP
Bayesian graphical modeling for heterogeneous causal effects
我们的动机源于目前的医学研究，旨在使用基于分子的方法进行个性化治疗。其总体目标是开发一种更精确和更有针对性的决策过程，相对于主要基于临床诊断的传统治疗方法。具体而言，我们考虑受急性髓性白血病（AML）影响的患者，AML是一种以骨髓中造血干细胞不受控制的增殖为特征的血液学癌症。由于AML对化疗的反应很差，因此靶向治疗的发展对于改善患者的前景至关重要。特别是，我们分析的数据集包含参与细胞周期调控并与疾病进展相关的蛋白质水平。我们分析处理效应的因果框架内表示的有向无环图（DAG）模型，其顶点是在网络中的蛋白质水平。然而，实施上述方案的一个主要障碍是个体异质性。我们解决这个问题，通过一个狄利克雷过程（DP）混合高斯DAG模型的图形结构以及盟军模型参数被视为不确定的。我们的程序确定了反映潜在异质性的单位的聚类结构，并产生基于贝叶斯模型平均的因果效应的特定主题的估计。参考AML数据集，我们确定了个体之间蛋白质调控的不同影响;此外，我们的方法将患者聚类为仅与基于形态学特征的传统类别表现出轻微相似性的组。
2022-01-25 stat.ME
Individual causal effect estimation accounting for latent disease state modification among bipolar participants in mobile health studies
本文提出一种基于自回归隐马尔可夫模型的N-of-1方法，从移动健康数据中识别潜在疾病状态作为效应修饰因子，结合反事实推断和g-formula估计个体因果效应，并通过模拟和双相障碍患者智能手机研究验证其优于朴素方法。
2025-02-04 stat.AP
The Global Markov Property for a Mixture of DAGs
真正的因果过程可能包含反馈回路，并随着时间的推移而变化。在本文中，我们使用有向无圈图（DAG）的混合模型的周期和非平稳分布。然后，我们研究了条件独立（CI）的关系，诱导密度，根据混合的DAG在两个步骤中分解。首先，我们将单个DAG的d-分离推广到混合DAG的混合d-分离。然后，我们利用混合d-分离准则，推导出一个全球性的马尔可夫性，使我们能够读出的CI关系，诱导的混合DAG使用特定的摘要图。这一结果在因果发现的算法设计中具有潜在的深远应用。
2019-09-13 math.ST stat.TH
Causal Learning in Biomedical Applications: Krebs Cycle as a Benchmark
AI Center（人工智能中心）；Department of Computer Science（计算机科学系）；Czech Technical University in Prague（布拉格捷克技术大学）
本文提出基于柠檬酸循环模拟的新基准数据集，用于评估因果发现方法在时间序列数据上的性能，包含真实因果图和多种评估指标。
2026-03-20 cs.LG
Causal inference methods for small non-randomized studies: Methods and an application in COVID-19
通常的开发周期太慢，无法开发疫苗，诊断和治疗流行病，如正在进行的SARS-CoV-2大流行病。考虑到这种情况下的压力，早期临床试验的结果有被过度解释的风险，尽管它们在规模和设计方面有局限性。受一项非随机开放标签研究的启发，该研究调查了羟氯喹在COVID-19患者中的疗效，我们以统一的方式描述了非随机研究分析的各种替代方法。一种广泛使用的减少治疗选择偏倚影响的工具是所谓的倾向得分（PS）方法。以倾向得分为条件，可以根据观察到的协变量复制随机对照试验的设计。扩展包括g-计算方法，这是不经常应用，特别是在临床研究。此外，双重鲁棒估计提供了额外的优势。在这里，我们调查的性质倾向得分为基础的方法，包括三个变化的双稳健估计在小样本设置，典型的早期试验，在模拟研究。提供了模拟的R代码。
2020-10-09 q-bio.QM stat.AP stat.ME
Causal inference from observational data: Estimating the effect of contributions on visitation frequency atLinkedIn
随机实验（A/B测试）已经成为面向网络的公司指导创新、评估新产品和优先考虑想法的标准方式。然而，有些时候，当运行实验太复杂时（例如，我们还没有建立基础设施），昂贵（例如，干预将对收入产生实质性的负面影响），并且耗时（例如，效果可能需要几个月才能实现）。即使我们可以进行实验，了解影响的程度也会帮助我们确定测试的优先级，并为不同的治疗组确定适当的流量分配，从而大大加快产品开发生命周期。在这种情况下，我们应该利用观测数据快速、经济高效地获得对因果效应的可靠估计。尽管从观测数据中进行因果推断的历史很长，但科技公司的数据科学家对其的采用一直很缓慢。在本文中，我们通过简要介绍因果推断的广阔领域来纠正这一点，并特别关注数据科学家可以直接利用的工具和技术。我们说明了如何应用这些方法来衡量贡献的影响（例如，发布、评论、喜欢或发送私人消息）。通过A/B测试评估贡献对参与度的影响需要鼓励设计和非标准实验基础设施的开发，这可能会消耗大量的时间和财政资源。我们提出了多种有效的策略，利用历史数据来准确地估计用户对她自己和她的邻居的贡献的同期（或瞬时）因果效应（即，她所连接的用户）随后的访问频率。我们将这些工具应用于LinkedIn数百万会员的数据。
2019-03-18 stat.AP
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
A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models
EPFL（洛桑联邦理工学院）；Leiden University（莱顿大学）；Boston University（波士顿大学）
针对循环因果图实验设计的难点，提出统一适用于循环与非循环因果模型的实验设计方法，证明其在实验次数和受限实验规模下均达到最优性。
2023-12-13 cs.AI cs.LG
Causal Anomaly Detection for Lithium-Ion Battery Degradation
Institute for Theoretical Physics, Heidelberg University（海德堡大学理论物理研究所）；Intilion GmbH（Intilion公司）
本研究提出了一种基于因果图发现和k近邻转移熵的框架，用于通过常规循环 telemetry 数据检测锂离子电池退化，并通过三种信号类别包对异常评分进行组织，以提高检测灵敏度。
2026-05-17 cond-mat.mtrl-sci cond-mat.stat-mech cs.LG
Causal Feature Selection via Orthogonal Search
Massachusetts Institute of Technology（麻省理工学院）；Inria（法国国家信息与自动化研究所）；Ecole Normale Supérieure（巴黎高等师范学院）；PSL Research University（巴黎文理研究大学）；KTH（瑞典皇家理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
在许多学科中，从大量的解释变量中推断反应变量的直接因果父变量的问题具有很高的实际重要性。然而，已建立的方法通常至少与解释变量的数量成指数级，难以扩展到非线性关系，并且难以扩展到循环数据。受{ \em Debiased}机器学习方法的启发，我们研究了一个一对其余的特征选择方法，以发现反应的直接因果父。我们提出了一种算法，它适用于纯观测数据，同时也提供理论保证，包括部分非线性关系的情况下可能存在的周期。由于它只需要一个估计为每个变量，我们的方法是适用的，甚至大型图。与现有方法相比，我们表现出显着的改进。
2022-09-17 cs.LG math.ST stat.ML
Tree Search in DAG Space with Model-based Reinforcement Learning for Causal Discovery
University College London（伦敦大学学院）；University of Bologna（博洛尼亚大学）
提出CD-UCT，一种基于模型强化学习的树搜索方法，通过逐步构建DAG进行因果发现，并证明了一种高效排除环边算法的正确性，实验显示其显著优于现有方法。
2024-02-13 cs.AI cs.LG
Local Causal Discovery with Linear non-Gaussian Cyclic Models
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）
本文提出一种适用于线性非高斯模型的统一局部因果发现方法，通过扩展独立成分分析至独立子空间分析，实现从目标变量的马尔可夫毯中精确识别局部有向结构和因果强度，并在无环场景下提供基于回归的替代方法。
2024-03-21 cs.AI cs.LG
Root Cause Analysis of Outliers in Unknown Cyclic Graphs
Amazon Research Tübingen, Germany（亚马逊研究图宾根，德国）；Technical University of Munich, Germany（慕尼黑工业大学，德国）
针对线性结构方程循环因果图中的异常值传播，提出无需先验因果图知识即可识别潜在根因列表的方法，并在模拟和真实数据上验证。
2026-07-02 cs.LG stat.ME stat.ML
A Self-explainable Model of Long Time Series by Extracting Informative Structured Causal Patterns
EXCAP通过提取信息丰富的结构因果模式，实现长时序的自解释模型，提升模型的可解释性和预测准确性。
2025-12-01 cs.AI cs.LG
Learning by Doing: An Online Causal Reinforcement Learning Framework with Causal-Aware Policy
School of Computer Science, Guangdong University of Technology, Guangzhou 510006, China（广东工业大学计算机科学学院）；Pazhou Laboratory (Huangpu), Guangzhou 510555, China（黄埔实验室）；School of Mathematics and Statistics, Beijing Technology and Business University, Beijing 102401, China（北京科技与商务大学数学与统计学院）；Huawei Noah’s Ark Lab, Shenzhen 518116, China（华为诺亚方舟实验室）；Department of Computer Science and Technology, Tsinghua University, Beijing 100190, China（清华大学计算机科学与技术系）；National Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210093, China（新型软件技术国家重点实验室）；College of Science, Shantou University, Shantou 515063, China（汕大科学学院）
本文提出一种在线因果强化学习框架，通过干预学习因果结构并指导策略，在故障报警环境中验证了其有效性和鲁棒性。
2025-04-24 cs.AI cs.LG
