Discovering Causal Signals in Images
Facebook AI Research（Facebook人工智能研究院）；UC Berkeley（加州大学伯克利分校）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文建立了存在的可观察的足迹，揭示了“因果处置”的对象类别中出现的图像集合。我们分两步实现这一目标。首先，我们采取一种学习方法来观察因果发现，并建立一个分类器，该分类器在寻找随机变量对之间的因果方向时具有最先进的性能，给定样本来自它们的联合分布。其次，我们使用我们的因果方向分类器，以有效地区分对象的功能和功能的静态图像的集合中的上下文。我们的实验证明了因果关系的方向和对象及其上下文之间的差异之间存在关系，并且同样，存在可观察到的信号，这些信号揭示了对象的因果倾向。
2017-10-31 cs.CV stat.ML
CaSPECT: Discovering Causally Homogeneous Subgroups via Directed Spectral Clustering
Electronics and Communication Sciences Unit（电子与通信科学单位）；Indian Statistical Institute（印度统计研究院）
该研究提出CaSPECT因果谱聚类框架，基于学习到的DAG拓扑定义相似性，从观测数据中识别因果同质亚组，无需预先指定倾向得分模型即可校正混杂，提升因果亚组发现可靠性。
2026-07-07 cs.LG stat.ME
Discovering Optimal Scoring Mechanisms in Causal Strategic Prediction
Carnegie Mellon University（卡内基梅隆大学）
面对数据驱动的政策，个人将操纵他们的特征以获得有利的决策。虽然早期的作品将这些操纵视为不受欢迎的游戏，但最近的作品采用了更微妙的因果框架，其中操纵可以改善感兴趣的结果，并且设置连贯的机制需要考虑预测准确性和结果的改善。通常情况下，这些作品集中在已知的因果图，只包括一个结果和它的父母。在本文中，我们介绍了一个一般的框架，其中一个结果和n个观察到的功能是由一个任意的未知图和操纵的限制由一个固定的预算和成本结构。我们开发的算法，利用战略反应，发现在有限数量的步骤的因果图。有了这个图结构，我们就可以推导出在准确性和改进之间进行权衡的机制。总之，我们的工作加深了因果发现和激励设计之间的联系，并提供了一个更细致入微的因果战略预测下的学习观。
2023-02-21 cs.LG stat.ME
A tutorial on discovering and quantifying the effect of latent causal sources of multimodal EHR data
Department of Biomedical Informatics Vanderbilt University Medical Center（生物医学信息学系范德堡大学医学中心）；Department of Biomedical Informatics University of Pittsburgh（生物医学信息学系匹兹堡大学）；Departments of Medicine & Biomedical Informatics Vanderbilt University Medical Center（医学与生物医学信息学系范德堡大学医学中心）；Departments of Biomedical Informatics & Computer Science Vanderbilt University Medical Center & Vanderbilt University（生物医学信息学与计算机科学系范德堡大学医学中心及范德堡大学）
本文介绍了一种可推广的因果机器学习流程，用于发现大规模电子健康记录的潜在因果源并量化其对临床结果的因果效应，通过处理多模态数据并训练因果模型来估计个体效应，展示了其在医学发现中的实用性和多功能性。
2025-10-31 cs.LG stat.AP
Causal Discovery in Semi-Stationary Time Series
Purdue University（普渡大学）；Adobe Research（奥多比研究院）
针对非平稳时间序列因果发现的难题，本文提出基于约束的非参数算法PCMCI$_Ω$，可捕捉半平稳时间序列中周期性交替的因果机制，经理论证明和模拟、真实数据实验验证，能可靠识别因果图。
2024-07-10 cs.AI cs.LG stat.ML
Variational Causal Dynamics: Discovering Modular World Models from Interventions
Applied AI Lab（应用人工智能实验室）；University of Oxford（牛津大学）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
潜在的世界模型允许代理商的原因复杂的环境与高维的意见。然而，适应新环境和有效利用以前的知识仍然是重大挑战。我们提出了变分因果动力学（VCD），一个结构化的世界模型，利用跨环境的因果机制的不变性，以实现快速和模块化的适应。通过因果分解转换模型，VCD能够识别跨不同环境的可重用组件。这是通过结合因果发现和变分推理来实现的，以无监督的方式联合学习潜在表示和转换模型。具体来说，我们通过表示模型和结构为因果图模型的转换模型联合优化证据下限。在模拟环境的状态和图像观测的评估，我们表明，VCD是能够成功地识别因果变量，并发现一致的因果结构在不同的环境。此外，在以前看不见的干预环境中进行少量观察，VCD能够识别动态中的稀疏变化并有效地适应。在这样做的过程中，VCD显著地扩展了当前最先进的潜在世界模型的能力，同时在预测准确性方面也具有优势。
2022-06-22 cs.LG stat.ME
Discovering Causality for Efficient Cooperation in Multi-Agent Environments
Institute for Digital Technologies（数字技术研究所）；Loughborough University London（拉夫堡大学伦敦校区）
本文研究多智能体强化学习中的懒惰智能体问题，利用因果关系估计改进信用分配，并采用摊销因果发现自动检测因果，以惩罚懒惰智能体，提升团队及个体性能。
2023-06-20 cs.AI cs.LG cs.MA
Discovering and Reasoning of Causality in the Hidden World with Large Language Models
TMLR Group, Hong Kong Baptist University（香港 Baptist 大学 TMLR 组）；Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed 人工智能大学）；Department of Philosophy, Carnegie Mellon University（哲学系，卡内基梅隆大学）；School of Computer Science, The University of Sydney（悉尼大学计算机科学学院）；School of Mathematics and Statistics, The University of Melbourne（墨尔本大学数学与统计学学院）；The Chinese University of Hong Kong（香港中文大学）
本文提出COAT框架，利用LLMs的世界知识为因果发现提出有用的测量变量，通过构建反馈机制完善变量，迭代揭示Markov Blanket和Partial Ancestral Graph，扩展去偏因果推断，并验证了效率和可靠性。
2026-10-27 cs.AI cs.LG stat.ME
Causal Reasoning from Meta-reinforcement Learning
DeepMind（深度思维）；Harvard University（哈佛大学）；UCL（伦敦大学学院）
发现和利用环境中的因果结构是智能代理的一个关键挑战。在这里，我们探讨因果推理是否可以通过Meta强化学习出现。我们用无模型强化学习训练一个递归网络，以解决一系列问题，每个问题都包含因果结构。我们发现，经过训练的代理可以在新的情况下进行因果推理，以获得奖励。代理人可以选择信息干预，从观察数据中得出因果推论，并做出反事实的预测。虽然建立正式的因果推理算法也存在，在本文中，我们表明，这种推理可以从无模型强化学习，并建议在复杂的设置因果推理可能会受益于更多的端到端的学习为基础的方法在这里。这项工作还提供了新的策略，结构化探索强化学习，通过提供代理的能力，执行-和解释-实验。
2019-01-23 cs.AI cs.LG stat.ML
Design of Experiment for Discovering Directed Mixed Graph
Department of Industrial Engineering Tsinghua University（清华大学工业工程系）
针对含循环和潜在混杂的SCM因果图识别难题，该研究建立了实验相关的下界，提出结合CI、do-see检验及d/σ分离的两类算法，可恢复绝大多数因果边且性能接近下界。
2026-09-29 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
Causal inference with Bayes rule
The Gradient Institute（梯度研究所）；Criteo AI Lab（科韬人工智能实验室）
因果关系的概念有一个有争议的历史。是否有可能代表和解决因果问题的概率论，或者如果从根本上说，新的数学，如做演算是必需的问题一直在激烈的争论中，在本文中，我们证明，虽然它是至关重要的明确建模我们的假设干预系统的影响，只要我们这样做，估计因果关系的影响可以完全在标准贝叶斯范式。因果图模型的不变性假设可以在普通的概率图模型中编码，允许使用贝叶斯统计进行因果估计，相当于do-calculus。
2019-10-20 cs.LG stat.ML
Feature Selection for Discovering Distributional Treatment Effect Modifiers
NTT Communication Science Laboratories（NTT通信科学实验室）；Kyoto University（京都大学）
找到与治疗效果差异相关的特征对于揭示潜在的因果机制至关重要。现有的方法通过测量特征属性对{ \it条件平均治疗效果}（CATE）的影响程度来寻找这样的特征。然而，这些方法可能忽略重要特征，因为CATE（平均治疗效果的量度）不能检测除平均值之外的分布参数的差异（例如，方差）。为了解决现有方法的这一弱点，我们提出了一个特征选择框架发现{ \it分布治疗效果修饰符}。我们首先制定了一个特征重要性度量，量化了特征属性对潜在结果分布之间差异的影响程度。然后，我们推导出它的计算效率的估计和开发一个特征选择算法，可以控制类型I的出错率到所需的水平。实验结果表明，我们的框架成功地发现了重要的功能，并优于现有的基于均值的方法。
2022-06-13 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
Differentiable Causal Backdoor Discovery
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦图灵研究所）；University College London（伦敦大学学院）
发现决策的因果效应对几乎所有形式的决策都至关重要。特别是，它是药物开发、制定政府政策以及实施真实世界机器学习系统的关键数量。由于只有观察数据，混杂因素往往掩盖了真正的因果关系。幸运的是，在某些情况下，通过使用某些观察变量来调整混杂因素的影响，可以恢复因果效应。然而，如果没有真正的因果模型，找到这种调整需要蛮力搜索。在这项工作中，我们提出了一种算法，利用辅助变量，类似于仪器，以找到一个适当的调整，基于梯度的优化方法。我们证明，它优于实际的替代品，在估计真正的因果关系的影响，没有知识的完整的因果图。
2020-03-03 cs.LG stat.ML
RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
Alibaba Cloud（阿里云）；SIGS, Tsinghua University（清华大学深圳国际研究生院）；DCST, Tsinghua University（清华大学信息科学技术学院）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
针对工业场景中无干预目标且含文本信息的时序因果发现难题，提出RealTCD框架，结合基于评分的方法与LLM引导的元初始化，在模拟和真实数据上优于现有基线。
2024-05-26 cs.AI cs.LG stat.ME
Causal Discovery in a Binary Exclusive-or Skew Acyclic Model: BExSAM
Institute of Scientific and Industrial Research, Osaka University（大阪大学产业科学研究所）；Graduate School of Science, Osaka University（大阪大学理学研究科）；Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要目标。最近，一些技术，发现一个独特的因果模型已被探索的基础上观察到的数据分布的非高斯性。然而，其中大多数仅限于连续数据。在本文中，我们提出了一种新的因果模型的二进制数据，并提出了一种有效的新方法来推导唯一的因果模型下的偏态分布的外部二进制噪声的给定的二进制数据集。实验评估表明，人工和现实世界的数据集的优异性能。
2014-01-22 cs.LG stat.ML
Causal Inference via Kernel Deviance Measures
University of Oxford（牛津大学）；Department of Statistics（统计系）；DeepMind（DeepMind（深度思维））
发现一组变量之间的因果结构是许多科学领域的基本问题。在本文中，我们提出了核条件偏差因果推理（KCDC）的一个完全非参数的因果发现方法的基础上纯粹的观测数据。从一个新的解释之间的因果关系的不对称性的概念，我们得到了相应的不对称性措施使用再生核希尔伯特空间的框架。在此基础上，我们提出了三个决策规则的因果发现。我们证明了我们的方法在一系列不同的合成数据集的广泛适用性。此外，我们在真实世界的时间序列数据和真实世界的基准数据集Tubingen因果对上测试了我们的方法，在这些数据集上，我们的性能优于现有的最先进的方法。
2018-04-12 cs.LG stat.ME stat.ML
A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
本文提出一种因果规则学习方法，用于可解释性地估计心房间隔缺损的异质治疗效应，通过规则发现、选择和分析步骤提升模型的可解释性与准确性。
2025-11-21 cs.LG stat.ME stat.ML
Leveraging directed causal discovery to detect latent common causes
Spotify（声田）；University College London（伦敦大学学院）；Babylon Health（巴比伦健康）
因果关系的发现是科学和医学中的一个基本问题。近年来，已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而，大多数这些只处理纯粹的直接因果关系，不能检测潜在的共同原因。在这里，我们设计了一个一般的启发式，它需要一个因果发现算法，只能区分纯粹的直接因果关系，并修改它，也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法，信息几何因果推断（Daniusis等人，2010）和（Mitrovic，Sejdinovic，& Teh，2018）的因果推断的核条件偏差，并对合成数据进行了广泛的测试-检测加性，乘法和复杂噪声机制中的潜在常见原因-以及真实数据，我们能够检测已知的常见原因。除了检测潜在的共同原因，我们的实验表明，这两个修改后的算法保持原来的性能，在区分有向因果关系。
2021-06-21 cs.LG stat.ML
Integrating overlapping datasets using bivariate causal discovery
Babylon Health（巴比伦健康）；University College London（伦敦大学学院）
因果知识对于科学中的有效推理至关重要，因为因果关系与相关性不同，允许人们对干预的结果进行推理。可以从观测数据中发现因果关系的算法是基于所有变量都在单个数据集中联合测量的假设。在许多情况下，这种假设是不成立的。以前克服这一缺点的方法设计了算法，这些算法返回与每个单独数据集中包含的条件独立信息一致的所有联合因果结构。但是，由于条件独立性测试只能确定马尔可夫等价的因果结构，因此这些方法返回的一致联合结构的数量可能相当大。在过去的十年里，我们已经看到了优雅的算法的发展，发现超越条件独立的因果关系，它可以区分马尔可夫等价结构。在这项工作中，我们适应和扩展这些所谓的二元因果发现算法的问题，学习一致的因果结构从多个数据集与重叠的变量属于同一个生成过程，提供一个健全的和完整的算法，优于以前的方法合成和真实的数据。
2019-11-11 cs.LG stat.ML
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IBM Research Zürich（苏黎世IBM研究院）
从实验中推断因果结构是许多领域的中心任务。例如，在生物学领域，最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而，干预措施的目标往往不确定或未知，观察次数有限。因此，标准的因果发现方法不再能够可靠地使用。为了填补这一空白，我们提出了一个贝叶斯框架（BaCaDI），用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的，这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中，BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME stat.ML
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
The WHY in Business Processes: Unification of Causal Process Models
IBM Research, Israel（IBM研究院，以色列）
提出一种新方法将多个因果过程变体统一为一致模型，显式表示因果流交替，保持原始模型正确性，并在五个数据集上验证有效性。
2025-05-28 cs.AI
Discovering Markov Blanket from Multiple interventional Datasets
University of South Australia（南澳大学）
在本文中，我们研究的问题，发现马尔可夫毯（MB）的目标变量从多个介入数据集。从干预实验获得的数据集包含更丰富的因果信息比被动观察的数据（观察数据）MB发现。然而，几乎所有现有的MB发现方法被设计用于从单个观测数据集中发现MB。为了从多个介入数据集中识别MB，我们面临两个挑战：（1）未知的干预变量;（2）不相同的数据分布。为了应对这些挑战，我们从理论上分析了（a）在什么条件下我们可以找到目标变量的正确MB，以及（b）在什么条件下我们可以通过发现目标变量的MB来识别目标变量的原因。在理论分析的基础上，提出了一种新的从多个介入数据集中发现MB的算法，并给出了保证算法正确性的条件/假设。据我们所知，这项工作是第一个提出的理论分析的条件MB发现在多个介入数据集和算法，以找到MB的条件。通过基准贝叶斯网络和真实数据集的实验，验证了本文算法的有效性和效率。
2018-01-25 cs.AI
Discovering state-parameter mappings in subsurface models using generative adversarial networks
Bureau of Economic Geology, Jackson School of Geosciences, The University of Texas at Austin（德克萨斯大学奥斯汀分校杰克逊地球科学学院经济地质局）
地球物理模拟中的一个基本问题涉及物理过程之间因果结构的识别和近似。然而，解决物理参数和模型状态变量之间的双向映射（即，求解正问题和逆问题）是具有挑战性的，尤其是当参数维数很高时。深度学习为知识表示和复杂模式识别打开了一扇新的大门。特别是，最近引入的生成对抗网络（GANs）在学习图像翻译的跨域映射方面具有很强的前景。本文提出了一种状态参数辨识GAN（SPID-GAN），用于同时学习高维参数空间和相应模型状态空间之间的双向映射。SPID-GAN使用一系列地下流建模的代表性问题进行了演示。结果表明，SPID-GAN在识别双向状态参数映射方面取得了令人满意的性能，为各种复杂的地球物理问题提供了一种新的基于深度学习的知识表示范式。
2018-10-30 cs.LG physics.data-an stat.ML
Causal nearest neighbor rules for optimal treatment regimes
最佳治疗方案的估计是相当感兴趣的精确医学。在这项工作中，我们提出了一个因果$k$ -最近邻法估计的最佳治疗方案。该方法基于因果推断的框架，在最近邻域内估计因果处理效应。该方法虽然简单，但具有良好的理论性质。我们表明，因果$k$ -最近邻制度是普遍一致的。也就是说，随着样本量的增加，因果$k$ -最近邻方案最终将学习最佳治疗方案。我们还建立了它的收敛速度。然而，因果$k$ -最近邻机制可能遭受维数灾难，即性能随着维数增加而恶化。为了缓解这个问题，我们开发了一个自适应因果$k$ -最近邻方法，同时进行度量选择和变量选择。所提出的方法的性能说明在模拟研究和慢性抑郁症的临床试验的分析。
2017-11-22 stat.ML
Shadow-Mapping for Unsupervised Neural Causal Discovery
University of Surrey（萨里大学）
大多数科学领域的一个重要目标是发现一组观察结果的因果结构。遗憾的是，基于相关性或互信息的因果发现方法常常不能识别呈现动态关系的系统中的因果链接。这种动态系统（包括著名的耦合逻辑斯蒂映射）表现出“海市蜃楼”的相关性，其出现和消失取决于观察窗口。这不仅意味着相关性不是因果关系，而且可能与直觉相反，因果关系可能在没有相关性的情况下发生。在本文中，我们描述了神经阴影映射，一个基于神经网络的方法，将高维视频数据嵌入到一个低维的阴影表示，随后的因果关系的估计。我们展示了它的性能在发现因果关系的动态系统的视频表示。
2021-04-28 cs.CV stat.AP stat.ML
Discovering Heterogeneous Treatment Effects in Regression Discontinuity Designs
本文提出一种基于诚实断点回归树的因果监督学习算法，在精确和模糊RD设计中自动发现驱动处理效应异质性的协变量，并通过模拟和罗马尼亚中学择校数据验证其有效性。
2025-08-29 econ.EM stat.ML
UPREVE: An End-to-End Causal Discovery Benchmarking System
Arizona State University（亚利桑那州立大学）
UPREVE是一个端到端的因果发现基准测试系统，通过网页GUI简化因果发现流程，支持多算法并行运行、结果可视化和准确性评估，助力社会计算等领域的研究与实践。
2023-07-25 cs.HC cs.LG stat.ME
Discovering Agents
DeepMind（深度思维）；University of Oxford（牛津大学）；Imperial College London（帝国理工学院）
代理的因果模型已被用于分析机器学习系统的安全方面。但识别代理是不平凡的-通常因果模型只是假设建模没有太多的理由-和建模失败可能会导致错误的安全分析。本文提出了代理的第一个正式的因果定义-大致代理系统，如果他们的行为以不同的方式影响世界，将调整他们的政策。从这一点上，我们得出的第一个因果发现算法发现代理人的经验数据，并给出算法之间的因果模型和博弈论的影响图翻译。我们证明了我们的方法，解决了一些以前的混乱所造成的不正确的因果建模的代理。
2022-08-24 cs.AI cs.LG
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
CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
Zhejiang University（浙江大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
本文提出CURLS因果规则学习方法，将规则学习建模为离散优化问题以平衡效应、方差和可解释性，实验证明其能发现效应更高、方差更小的亚组。
2024-07-01 cs.LG stat.ME
Discovering Mixtures of Structural Causal Models from Time Series Data
Halıcıoğlu Data Science Institute, University of California, San Diego（加利福尼亚大学圣迭戈分校哈利西奥格鲁数据科学学院）；Department of Computer Science and Engineering, University of California, San Diego（加利福尼亚大学圣迭戈分校计算机科学与工程系）
针对时间序列因果发现中现有方法假设数据来自单一因果模型的局限，提出基于变分推断的MCD框架，可推断混合因果模型及样本混合概率，实验表现优于基准方法且具备理论可识别性。
2024-06-23 cs.LG stat.ML
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
Causal discovery for time series with constraint-based model and PMIME measure
Université Paris-Saclay（巴黎萨克雷大学）；CEA LIST（法国原子能和替代能源委员会实验室集成系统与技术部）
本文提出一种结合约束因果发现算法与PMIME信息论度量的时间序列因果发现方法，可推断线性与非线性关系并构建因果图，在模拟数据上取得良好效果。
2023-05-31 cs.IT cs.LG math.IT
MOCHA: Discovering Multi-Order Dynamic Causality in Temporal Point Processes
Tongji University（同济大学）
MOCHA提出一种新框架，通过时变DAG上的多跳路径发现时间点过程中的多阶动态因果，联合建模因果发现与事件预测，在真实数据集上取得最优性能并揭示可解释结构。
2025-08-26 cs.LG
Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients
CNRS（法国国家科学研究中心）；Institut Curie（居里研究所）；Université PSL（巴黎文理研究大学）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Université Paris（巴黎大学）
发现因果效应是科学研究的核心，但当只有观测数据时，仍然具有挑战性。在实践中，因果网络很难学习和解释，并且仅限于相对较小的数据集。我们报告了一种更可靠和可扩展的因果发现方法（iMIIC），基于一般的互信息上确界原理，该方法大大提高了推断因果关系的精度，同时区分了真正的原因和假定的潜在因果效应。我们展示了来自美国监测，流行病学和最终结果计划的396，179名乳腺癌患者的合成和现实生活中的医疗数据。90%以上的预测因果效应似乎是正确的，而其余的意外直接和间接因果效应可以从诊断程序、治疗时机、患者偏好或社会经济差异方面进行解释。iMIIC的独特能力为在一系列研究领域发现可靠和可解释的因果网络开辟了新的途径。
2023-03-11 cs.LG physics.data-an q-bio.MN
Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
本研究提出基于RuleFit和S-learner的因果规则集成框架，通过引入主效应和处理效应规则项实现可解释的异质性处理效应估计，数值模拟和实际数据验证了其性能与解释性。
2023-07-27 stat.ME
Identifying Causal Effects with the R Package causaleffect
Do-calculus涉及从给定因果结构中观察到的变量的联合概率分布估计动作的干预分布。所有可识别的因果效应都可以使用do-calculus的规则推导出来，但是这些规则本身并不能直接表明所讨论的效应是否是可识别的。Shpitser和Pearl构造了一种算法，用于识别因果模型中的联合干预分布，其中包含未观察变量并诱导有向无环图。该算法可以被看作是对do-calculus规则和已知概率属性的重复应用，它最终要么导出因果分布的表达式，要么无法识别效果，在这种情况下，效果是不可识别的。本文给出了R包的cathode效果，并给出了该算法的一种实现。并通过实例说明了因果效应的作用。
2018-06-19 stat.ME
Causal attribution by the chain rule: unifying natural selection, learning, economics, and other disciplines
本文通过链式法则统一自然选择、学习、经济学等领域的因果分析，揭示其在不同学科中的核心作用。
2026-04-05 q-bio.PE stat.ME
A causal framework for discovering and removing direct and indirect discrimination
University of Arkansas（阿肯色大学）
反歧视是数据科学中越来越重要的任务。在本文中，我们研究了从历史数据中发现直接和间接歧视的问题，并在数据用于预测分析之前消除歧视效应（例如，构建分类器）。我们利用因果网络来捕捉数据的因果结构。然后我们将直接歧视和间接歧视建模为路径特异性效应，将这两种歧视明确区分为沿着网络中不同路径传播的因果效应。在此基础上，我们提出了一个有效的算法，发现直接和间接歧视，以及一个算法，精确地消除这两种类型的歧视，同时保持良好的数据效用。与以前的工作不同，我们的方法可以确保从修改后的数据建立的预测模型不会引起歧视的决策。使用真实数据集的实验表明，我们的方法的有效性。
2016-11-22 cs.LG
A practical illustration of the importance of realistic individualized treatment rules in causal inference
使用传统的因果推断方法难以估计剧烈体育活动对老年人死亡率的影响，传统方法通过比较与假设情景对应的死亡率风险来定义这种影响，在假设情景中，目标人群中的所有受试者都从事给定水平的剧烈体育活动。只有当目标人群中的所有受试者都有选择每种候选治疗方案的正概率时，才能从观察到的数据中识别基于此类静态治疗干预定义的因果效应，在这种情况下，这一假设是非常不现实的，因为患有严重健康问题的受试者将无法进行更高水平的剧烈体力活动。这个问题可以通过关注因果效应来解决，这些因果效应是基于现实的个性化治疗规则和意向治疗规则定义的，这些规则明确考虑了每个受试者可用的治疗选项集。我们提出了一个数据分析，说明静态因果效应的估计，事实上往往高估了高水平的剧烈体力活动的有益影响，而相应的估计，基于现实的个性化治疗规则和意向治疗规则可以产生无偏估计。我们强调，在估计静态因果效应时遇到的问题并不局限于IPTW估计，但也观察到与$G$计算估计，DR-IPTW估计，和有针对性的MLE。我们基于现实的个体化治疗规则和意向治疗规则的分析表明，高水平的剧烈体力活动可能会使死亡风险降低15- 30%，尽管在大多数情况下，这种效果的证据并没有达到0.05的显著性水平。
2007-12-05 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
Sparse Feature Circuits: Discovering and Editing Interpretable Causal Graphs in Language Models
Northeastern University（东北大学）；MIT（麻省理工学院）；Technion – IIT（以色列理工学院）
本文提出稀疏特征电路方法，通过细粒度可解释特征构建因果子网络，并引入SHIFT提升分类器泛化，实现无监督可扩展的模型行为解释。
2025-03-27 cs.AI cs.CL cs.LG
Causal Curiosity: RL Agents Discovering Self-supervised Experiments for Causal Representation Learning
University of Southern California（南加州大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
动物表现出一种天生的能力，通过相互作用来了解世界。通过在他们的环境中进行实验，他们能够辨别变异的因果因素，并推断它们如何影响世界的动态。受此启发，我们试图装备强化学习代理的能力，以执行实验，促进推出的轨迹的分类，并随后推断的因果因素的环境中的分层方式。我们引入{ \em因果好奇心}，一种新的内在奖励，并表明它允许我们的代理人学习最佳的行动序列，并发现因果因素的动态环境。学习的行为允许代理推断每个环境中的地面实况因果因素的二进制量化表示。此外，我们发现这些实验行为在语义上是有意义的（例如，我们的代理学习举起块来按重量对它们进行分类），并且以自我监督的方式学习，所用的数据比传统的监督规划器少大约2.5倍。我们表明，这些行为可以重新利用和微调（例如，从提升到推动或其他下游任务）。最后，我们表明，因果因子表示的知识有助于零样本学习更复杂的任务。访问https://sites.google.com/usc.edu/causal-curiosity/home网站。
2021-08-06 cs.AI cs.LG cs.RO
Beyond Stationarity in Time Series: Discovering Causal Structures and Latent Regimes via Markov Blankets
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔国立高等工程学院）；LIG（信息与信号处理实验室）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；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）
本文提出RCBNB-MB算法，突破时间序列平稳性假设，通过马尔可夫毯识别潜在因果状态与结构，经实验验证其在非平稳时间序列因果发现中优于基线方法。
2026-09-07 cs.AI cs.LG
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
Discovering Useful Compact Sets of Sequential Rules in a Long Sequence
Univ Rennes（雷恩大学）；Advisor_SLA, Inc.（Advisor_SLA公司）；Inria（法国国家信息与自动化研究所）；University of Eastern Finland（东芬兰大学）
我们感兴趣的是理解符号事件长序列的潜在生成过程。为此，我们提出了COSSU，一个算法来挖掘小而有意义的顺序规则集。规则的选择使用一个MDL启发的标准，有利于紧凑性和依赖于一个新的基于规则的序列编码方案。我们的评估表明，COSSU可以成功地检索相关的封闭的顺序规则集从一个长的序列。这样的规则构成了一个可解释的模型，表现出有竞争力的准确性的任务，下一个元素的预测和分类。
2022-12-30 cs.AI cs.LG
Discovering Causal Relations and Equations from Data
Universitat de València（瓦伦西亚大学）；German Aerospace Center（德国航空航天中心）；Technische Universität Berlin（柏林工业大学）；University of Tübingen（图宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Bournemouth University（伯恩茅斯大学）；Heidelberg University（海德堡大学）；KTH Royal Institute of Technology（KTH皇家理工学院）；New York University（纽约大学）
本文综述了物理学领域中从观测数据发现因果关系与方程的概念、方法和案例，指出大数据与现代机器学习正推动该领域发生革命性变化。
2023-05-21 cs.AI cs.LG physics.data-an
Discovering Causal Structure with Reproducing-Kernel Hilbert Space $ε$-Machines
INRIA Bordeaux Sud Ouest（法国国家信息与自动化研究所波尔多西南分部）；University of California at Davis（加州大学戴维斯分校）；Complexity Sciences Center（复杂性科学中心）
本研究结合计算力学因果状态定义与RKHS表示推断，提出核ε-机方法，可从多类型系统观测中鲁棒推断因果结构并实现预测，在多种过程及高维、含噪场景下均有效。
2021-12-02 cond-mat.stat-mech cs.LG stat.ML
Discovering contemporaneous and lagged causal relations in autocorrelated nonlinear time series datasets
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）；Technische Universität Berlin（柏林工业大学）
本文提出PCMCI⁺方法，用于在自相关非线性时间序列中发现同期与滞后因果关系，该方法提升了因果发现的可靠性与效率，在实验中表现优于现有方法。
2026-11-02 cs.LG stat.ME stat.ML
Controversy Rules - Discovering Regions Where Classifiers (Dis-)Agree Exceptionally
找到不同分类器之间存在较高争议的区域对于该领域和我们的模型是有见地的。这样的评估可以证伪假设，断言一些，或者也可以引起人们对未知现象的注意。目前的工作描述了一种算法，这是基于异常模型挖掘框架，并使这种调查。我们探索了几个公共数据集，并显示了这种方法在分类任务中的有用性。在本文中，我们展示了一些关于这些经过充分探索的数据集的有趣观察结果，其中一些是常识，另一些据我们所知，以前没有报道过。
2018-08-22 cs.LG stat.ML
DISCO: DISCovering Overfittings as Causal Rules for Text Classification Models
DISCO通过因果规则发现文本分类模型的过拟合，以100%检测率识别训练数据中的捷径，并导致模型性能下降18.8%，优于现有方法。
2024-11-07 cs.AI cs.CL cs.LG
