Causal Independence for Knowledge Acquisition and Inference
Microsoft Research（微软研究院）；UCLA（加州大学洛杉矶分校）
我介绍了一个时间的信念网络表示的因果关系的独立性，知识工程师可以用来引出概率模型。与当前因果独立性的非时态信念网络表示法一样，新的表示法使知识获取变得容易处理。然而，与时间表示不同的是，时间表示可以简化推理，并且不需要使用不可观察的变量。该表示不如非时态表示通用，但似乎对许多实际应用很有用。
2015-05-16 cs.AI
On Deducing Conditional Independence from d-Separation in Causal Graphs with Feedback (Research Note)
University of Toronto（多伦多大学）
Pearl和Dechter（1996）声称，无环因果网络中条件独立的d-分离准则也适用于具有反馈环的离散变量网络，只要系统的变量由随机干扰唯一确定。我通过例子表明，这是不正确的一般。需要一些比唯一性更强的条件，例如保证导致唯一解的因果动力学的存在。
2011-06-01 cs.AI
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg（汉堡大学）
本文提出FastKCI，一种基于核的快速条件独立性检验方法，通过并行化和专家混合策略提升计算效率，适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Inference with Causal Independence in the CPSC Network
University of Science & Technology（科技大学）
本文报道了在Pradhan等人（1994）建立的CPSC网络上使用Zhang和Poole（1994 b）提出的因果独立推理算法的实验。发现该算法能够回答422个可能的零观察查询中的420个，100个随机生成的五观察查询中的94个，100个随机生成的十观察查询中的87个，以及100个随机生成的二十观察查询中的69个。
2013-02-20 cs.AI
CALM: A Causal Analysis Language Model for Tabular Data in Complex Systems with Local Scores, Conditional Independence Tests, and Relation Attributes
Stanford University（斯坦福大学）；Massachusetts Institute of Technology（麻省理工学院）
本文提出专为表格数据设计的因果分析语言模型CALM，结合Mamba架构与局部评分、条件独立性测试等证据识别因果模式，在模拟和真实数据上准确率超91%，显著优于现有方法。
2025-10-10 cs.AI cs.LG
A Bayesian Approach to Learning Causal Networks
Microsoft Research（微软研究院）
因果贝叶斯网络表示概率独立性，而因果贝叶斯网络表示因果关系。在本文中，我们将研究学习这两种类型网络的贝叶斯方法。贝叶斯方法学习因果网络是相当发达的。这些方法通常使用假设来促进先验的构建，包括参数独立性、参数模块性和似然等价性的假设。我们表明，虽然这些假设也可以适用于学习因果网络，我们需要额外的假设，以学习因果网络。我们引入了两个充分的假设，称为{em机制独立性}和{em组件独立性}。我们表明，这些新的假设，结合参数独立性，参数模块化，和似然等价，使我们能够应用学习因果网络的方法来学习因果网络。
2015-05-16 cs.AI
Independence of Causal Influence and Clique Tree Propagation
Hong Kong University of Science & Technology（香港科技大学）
研究了因果影响独立性在贝叶斯网络推理中的作用。ICI允许将条件概率表分解成更小的块。我们描述了一种利用团树传播（CTP）中的因子分解的方法-贝叶斯网络的最先进的精确推理算法。我们还提出了实证结果表明，所得到的算法是显着更有效的CTP和以前的技术相结合，利用ICI。
2013-02-06 cs.AI
Independence Testing-Based Approach to Causal Discovery under Measurement Error and Linear Non-Gaussian 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）
因果发现旨在恢复产生观测数据的因果结构。尽管它在某些问题上取得了成功，但在许多现实世界的场景中，观察到的变量不是感兴趣的目标变量，而是目标变量的不完美度量。测量误差下的因果发现是指从测量误差下的观测数据中恢复出未观测目标变量之间的因果关系图。我们考虑一个特定的配方的问题，其中未观察到的目标变量遵循线性非高斯非循环模型，测量过程遵循随机测量误差模型。现有的方法在此制定依赖于不可扩展的过完备独立分量分析（OICA）。在这项工作中，我们提出了转换的独立噪声（TIN）条件，它检查一些测量变量和某些其他测量变量的特定线性变换之间的独立性。通过利用数据的非高斯性和高阶统计量，TIN提供了关于未观察到的目标变量之间的图结构的信息。利用TIN，因果模型的有序群分解是可识别的。换句话说，我们可以通过进行独立性测试来实现曾经要求OICA实现的目标。在合成数据和真实数据上的实验结果证明了该方法的有效性和可靠性。
2022-10-20 cs.AI cs.LG stat.ML
Exploiting Causal Independence in Bayesian Network Inference
提出了一种利用因果独立性进行精确贝叶斯网络推理的新方法。贝叶斯网络可以被看作是将联合概率分解为一组条件概率的乘积。我们提出了一个因果独立的概念，使人们能够进一步因式分解的条件概率的组合，甚至更小的因素，从而获得更细粒度的联合概率因式分解。因果独立的新公式让我们指定一个变量的条件概率给定其父母在一个结合和交换运算符，如“或”，“和”或“最大”，对每个父母的贡献。我们从一个简单的算法VE贝叶斯网络推理，给定证据和查询变量，使用因式分解找到查询的后验分布。我们展示了如何将该算法扩展到利用因果独立性。基于CPCS网络的医学诊断的实证研究表明，该方法比以前的方法更有效，并且允许在比以前的算法更大的网络中进行推理。
1996-12-01 cs.AI
Identifying Independence in Relational Models
d-分离的规则提供了一个框架，用于从模型结构中导出条件独立事实。然而，该理论仅适用于简单的有向图模型。我们介绍了关系d-分离，推导关系模型中的条件独立性的理论。我们提供了一个健全的，完整的，计算效率高的方法关系d-分离，我们提出的实证结果表明，有效性。
2013-04-15 cs.AI
A Robust Independence Test for Constraint-Based Learning of Causal Structure
Decision Systems Laboratory（决策系统实验室）；Intelligent Systems Program（智能系统项目）；University of Pittsburgh（匹兹堡大学）；School of Information Sciences（信息科学学院）
基于约束（CB）的学习是一种通过执行一系列条件独立性测试来推断结构信息来学习具有数据库D的因果网络的形式主义。本文考虑了一种新的独立性测试，它结合了贝叶斯学习，贝叶斯网络推理和经典假设检验的思想，以产生更可靠和更强大的测试。新的检验可以在与标准检验（如卡方检验）相同的渐近时间和空间中计算，但它允许指定参数的先验分布，并且可以在数据库不完整时使用。我们证明了测试是正确的，我们证明了经验，当使用CB因果发现算法与noninformative先验，它恢复结构特征更可靠，它产生的网络与较小的KL发散，特别是随着节点的数量增加或记录的数量减少。另一个好处是CB算法在搜索过程中停止的概率大大降低，为数据库较小时CB学习的恼人问题提供了补救措施。
2012-10-19 cs.AI cs.LG stat.ML
Conditional independences and causal relations implied by sets of equations
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（拉德堡德大学）
现实世界中的复杂系统往往是由一组具有内生和外生变量的方程来建模的。对于出现在这些方程中的变量的因果和概率方面，我们能说些什么呢？我们利用Simon的因果排序算法（Simon，1953）构造了一个因果排序图，并证明了在某些唯一的可解性假设下，它表示了软的和完美的干预对方程的影响。我们进一步构建了一个马尔可夫排序图，并证明了它编码的条件独立的分布所隐含的方程与独立的随机外生变量，在一个类似的唯一的可解性假设。我们讨论了这种方法如何揭示和解决现有因果建模框架的一些局限性，如因果贝叶斯网络和结构因果模型。
2021-01-31 cs.AI stat.ML
Efficient Ensemble Conditional Independence Test Framework for Causal Discovery
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）
本文提出了一种高效的条件独立性测试框架，通过分组聚合策略降低计算复杂度并提升因果发现性能。
2026-02-27 cs.AI cs.LG stat.ML
Causal Discovery with Fewer Conditional Independence Tests
Eric and Wendy Schmidt Center, Broad Institute（埃里克和温迪·施密特中心，布罗德研究所）；Laboratory for Information & Decision Systems, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）
针对约束式因果发现算法需指数级条件独立性检验的问题，提出用多项式数量检验学习因果一致划分图（CCPG），在可识别情况下可还原真实因果图。
2024-06-03 cs.AI cs.LG stat.ME
On the Number of Conditional Independence Tests in Constraint-based Causal Discovery
Eric and Wendy Schmidt Center, Broad Institute of MIT and Harvard（埃里克和文黛斯中心，MIT和哈佛Broad研究所）；Centre de Formació Interdisciplinària Superior, Universitat Politècnica de Catalunya（跨学科高级培训中心，加泰罗尼亚理工大学）；Laboratory for Information and Decision Systems, Massachusetts Institute of Technology（信息与决策系统实验室，麻省理工学院）
本文提出一种复杂度更低的算法，通过减少条件独立性测试数量提升因果发现效率，同时证明了约束方法的理论下限。
2026-03-23 cs.AI cs.LG stat.ME
Characterization and Learning of Causal Graphs with Small Conditioning Sets
Purdue University（普渡大学）
本文针对小样本条件下条件独立性检验因条件集过大而失效的问题，提出 $k$-Markov 等价概念及 $k$-PC 算法，通过限制条件集大小上界实现更稳健的因果图学习。
2023-10-28 cs.AI cs.LG stat.ML
Signature Kernel Conditional Independence Tests in Causal Discovery for Stochastic Processes
Technical University of Munich（慕尼黑工业大学）；Helmholtz Munich（慕尼黑亥姆霍兹中心）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Oxford（牛津大学）；Lund University（隆德大学）；Imperial College London（伦敦帝国学院）
本文提出一种基于签名核的条件独立性检验方法，用于推断随机微分方程模型中的因果结构，能够处理完全和部分观测数据，并在基准测试中优于现有方法。
2025-03-03 cs.AI cs.LG stat.ML
A Framework for Inferring Causality from Multi-Relational Observational Data using Conditional Independence
Duke University（杜克大学）；University of Washington（华盛顿大学）
因果关系或因果推断的研究-给定的治疗对人群中给定结果的因果影响程度-远远超出了变量的相关性或关联分析，并且对于在众多应用中做出合理的数据驱动决策和政策至关重要。因果推理的黄金标准是进行“受控实验”，由于逻辑或道德原因，这通常是不可能的。作为替代方案，基于“Neyman-Rubin潜在结果模型”对“观测数据”进行因果关系推断已在几十年来广泛用于统计学，经济学和社会科学。在本文中，我们提出了一个正式的框架，健全的因果分析的观测数据集，给出了多重关系，并在研究中的人口是通过加入这些基础关系。我们研究了从观察数据推断因果关系的一个关键条件，称为“强可检验性假设”（考虑到观察到的协变量，治疗和结局变量在联合关系中应该是独立的），使用在基础关系中保持的已知条件独立性。我们还讨论了作为图形模型的基础关系中的条件独立性的结构如何帮助推断新的条件独立性的联合关系。拟议的框架结合了数据库，统计和图形模型的概念，旨在启动跨越这些领域的新研究方向，以促进当今大数据世界中强大的数据驱动决策。
2017-08-08 cs.AI cs.DB
Unfaithful Probability Distributions in Binary Triple of Causality Directed Acyclic Graph
Beihang University（北京航空航天大学）
本文在三元二元因果有向无环图（DAG）结构中构造了若干不忠实于Robins等人（2003）所描述的因果DAG的概率分布例子，并给出了具有多重独立性与条件独立性的一般不忠实概率分布。
2025-01-30 cs.AI cs.LG stat.ML
Causality and independence in perfectly adapted dynamical systems
University of Amsterdam（阿姆斯特丹大学）
动态系统中的完美适应是这样一种现象，即一个或多个变量对外部刺激的持续变化有初始的瞬态响应，但当系统收敛到平衡时恢复到它们的原始值。在因果排序算法的帮助下，可以构建动态系统的图形表示，表示变量之间的因果关系和平衡分布中的条件独立性。我们应用这些工具，制定充分的图形条件，从一组一阶微分方程识别完美的适应。此外，我们给出了充分条件，以测试存在的完美适应的实验平衡数据。我们将这种方法应用于蛋白质信号通路的简单模型，并在模拟和使用真实世界的蛋白质表达数据中测试其预测。我们证明，完美的适应可能会导致误导方向的因果发现算法的输出边缘。
2023-02-23 cs.AI stat.ML
Surjective Independence of Causal Influences for Local Bayesian Network Structures
University of Warwick（沃里克大学）
针对贝叶斯网络参数化中专家判断负担重、数量多及ICI假设过强的问题，本文提出放宽该假设的SICI局部结构模型，以支持更实用高效的参数化。
2025-09-29 cs.AI stat.ME
Beyond Conditional Independence: Root Cause Analysis with Deep Causal Models
Purdue University（普渡大学）；Johns Hopkins University（约翰霍普金斯大学）；Intuit AI Research（Intuit AI 研究院）；Microsoft（微软）
针对现有根因分析依赖强假设的局限，提出基于深度因果模型的RCA-DCM方法，利用分布约束和部分图知识，在模拟与真实微服务数据上显著提升根因识别准确率。
2026-09-30 cs.AI cs.LG stat.ML
Membership Testing in Markov Equivalence Classes via Independence Query Oracles
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）
该研究针对因果图马尔可夫等价类的成员测试问题，提出基于约束的测试方法，证明了测试所需独立性测试数的上下界均为最大团规模的指数级，表明测试比学习更易，还给出几何解释并探讨其对学习的辅助作用。
2024-03-09 cs.AI cs.LG stat.ME
On the Logic of Causal Models
University of California（加利福尼亚大学）
本文探讨了有向无环图（DAG）作为条件独立关系的表示的作用。我们发现，DAG提供多项式的声音和完整的推理机制，从一个给定的因果关系，这样的关系推断条件独立的关系。因此，d-分离，一个图形的标准，用于确定独立的DAG，发现更有效的独立性，然后任何其他标准。此外，我们采用条件独立性的Armstrong属性来表明，DAG所显示的依赖关系是内在一致的，即对于每个DAG D，存在一些概率分布P，它体现了D中显示的所有条件独立性。
2013-03-27 cs.AI
p-d-Separation -- A Concept for Expressing Dependence/Independence Relations in Causal Networks
Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）
Spirtes、Gaviour和Scheines提出了一个猜想，即直接依赖检验和头对头会议检验足以证明联合概率分布（贝叶斯网络）的有向非循环图分解，Pearl的d-分离适用于该分解。这个猜想后来被证明是Pearl和Verma的一个结果的直接结果。本文利用p-d-分离（partial dependency separation）的概念，用一种新的方法证明了这个猜想。虽然Pearl的d-分离适用于贝叶斯网络，但p-d-分离适用于因果网络：即部分定向网络，其中仅向那些表示统计确认的因果影响的边缘提供方向，而无向边缘表示直接影响的存在，而不可能确定因果关系的方向。作为证明这个猜想的有效性的特殊方法的结果，一个算法的建设的所有有向无环图（dags）携带可用的独立信息也被提出。引入了部分定向图的概念，并在此图中定义了p-d-分离的概念。它表明，p-d-分离内的POG是等效的d-分离在所有衍生的dags。
2020-06-15 cs.AI
Using Contrastive Samples for Identifying and Leveraging Possible Causal Relationships in Reinforcement Learning
TCS Research（塔塔咨询服务公司研究院）；IIT Bombay（印度理工学院孟买分校）
强化学习的一个重大挑战是量化行动和长期奖励之间的复杂关系。这些影响可能会在一长串状态-动作对中显现出来，这使得它们很难精确定位。在本文中，我们提出了一种方法来链接过渡状态的显着偏差异常大的变化，在随后的奖励。这种转换被标记为可能的因果效应，并且相应的状态-动作对被添加到单独的重放缓冲器。此外，我们包括对应于从类似状态但具有不同动作的转换的\textit{contrastive}样本。在训练过程中包括这种对比经验回放（CER）显示在2D导航任务上优于基于标准值的方法。我们相信CER可以用于广泛的学习任务，包括任何非策略强化学习算法。
2022-10-28 cs.AI cs.LG
A Causal Markov Condition for Value
University of Inland Norway（内陆挪威大学）
本文提出价值因果马尔可夫条件，发展因果价值理论，引入概率-价值对偶性，制定v-CMC不同版本并证明等价性，定义v-分离，推导贝尔曼型递归，还展示其对效用信息的作用并开发相关算法。
2026-07-21 cs.AI 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
Towards Practical Federated Causal Structure Learning
The Hong Kong University of Science and Technology（香港科技大学）
本文提出联邦因果结构学习方案FedC2SL，通过联邦条件独立性检验在不收集原始数据的情况下学习因果图，并给出FedPC和FedFCI两种变体，在合成与真实数据上验证了其对数据异质性的强鲁棒性。
2023-06-19 cs.AI cs.LG stat.ME
Identifying Independencies in Causal Graphs with Feedback
University of California, Irvine（加州大学尔湾分校）；University of California, Los Angeles（加州大学洛杉矶分校）
我们表明，d -分离准则构成了一个有效的测试条件独立的关系，诱导的反馈系统，涉及离散变量。
2013-02-13 cs.AI
Learning Sparse Causal Models is not NP-hard
Radboud University Nijmegen（内梅亨拉德堡德大学）
本文证明了因果模型发现不是一个NP-难问题，对于节点度为k的稀疏图，即使存在潜在变量和选择偏差，在最坏情况下的N^{2（k+2）}次独立性检验中也可以得到可靠的完整因果模型.我们提出了一个修改的著名的FCI算法，实现了独立的预言机的方法，并建议改进样本/真实世界的数据版本。它不与任何已知的硬度结果相矛盾，也不解决NP难题：它只是证明稀疏因果发现可能更复杂，但不像学习最小贝叶斯网络那样困难。
2013-09-26 cs.AI
Enabling Runtime Verification of Causal Discovery Algorithms with Automated Conditional Independence Reasoning (Extended Version)
Hong Kong University of Science and Technology（香港科技大学）；Zhejiang University（浙江大学）
本文提出统一方法解决因果发现中CI测试不可靠和过多导致的隐私问题，通过运行时验证工具CICheck将CI陈述一致性推理转化为SMT问题，并采用四阶段决策程序高效检测错误或剪除多余测试。
2023-09-11 cs.AI cs.SE
An Algorithm for Deciding if a Set of Observed Independencies Has a Causal Explanation
Northrop Corporation（诺斯洛普公司）；University of California（加利福尼亚大学）
在以前的论文[Pearl和Verma，1991]中，我们提出了一种从独立性信息中提取因果影响的算法，其中因果影响被定义为与数据一致的所有最小因果模型中存在有向弧。在本文中，我们解决的问题，决定是否存在一个因果模型，解释所有观察到的依赖性和独立性。形式上，给定条件独立语句的列表M，需要判定是否存在与M完全一致的有向无环图（dag）D，即M中的每个语句，而不是其他语句，都通过D中的dseparation反映出来。我们提出并分析了一个有效的算法，测试存在这样的一天，并产生一个，如果它存在。
2013-03-13 cs.AI
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
Ancestral Causal Inference
VU Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（内梅亨大学）
从有限的数据中发现基于约束的因果关系是一个众所周知的困难的挑战，由于许多边界独立性测试的决定。最近已经提出了几种方法来提高预测的可靠性，利用冗余的独立信息。虽然有前途，现有的方法仍然可以大大提高精度和可扩展性。我们提出了一种新的方法，减少组合爆炸的搜索空间通过使用更粗粒度的因果信息表示，大大减少计算时间。此外，我们提出了一种方法来评分因果预测的基础上，他们的信心。至关重要的是，我们的实现还允许人们轻松地结合观察和干预数据，并纳入各种类型的可用背景知识。我们证明了我们的方法的合理性和渐近一致性，并表明它可以优于国家的最先进的合成数据，实现了几个数量级的加速。我们通过将其应用于具有挑战性的蛋白质数据集来说明其实际可行性。
2017-01-26 cs.AI cs.LG stat.ML
Identifying Finite Mixtures of Nonparametric Product Distributions and Causal Inference of Confounders
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们提出了一个核方法来识别有限混合非参数乘积分布。它基于联合分布的Hilbert空间嵌入。构造的张量的秩等于混合分量的个数。我们提出了一种算法来恢复组件的数据点划分成集群，使变量是联合条件独立给定的集群。该方法可用于识别有限混杂因素。
2013-09-26 cs.AI cs.LG stat.ML
Identifying biological perturbation targets through causal differential networks
提出一种受因果启发的方法，通过联合训练含噪声因果图推断与差异映射模块，在低样本高维生物数据中准确识别干预靶点，在7个单细胞数据集及多种合成数据上显著优于基线方法。
2025-05-30 cs.AI cs.LG q-bio.QM
Group invariance principles for causal generative models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Max Planck Institute for Biological Cybernetics（马克斯·普朗克生物控制论研究所）
原因和机制独立性（ICM）的假设最近导致了几个新的因果发现算法。然而，对独立性的解释及其使用方式在这些方法中各不相同。我们在本文中的目的是提出一个群理论框架ICM统一和推广这些方法。在我们的设置中，原因机制的关系进行评估，通过比较它对一个原假设通过随机通用组转换的应用。我们表明，群论观点提供了一个非常通用的工具来研究数据生成机制的结构，并直接应用于机器学习。
2017-05-05 cs.AI cs.LG math.ST
Identifying Conditional Causal Effects in MPDAGs
University of Washington（华盛顿大学）
本文研究在MPDAG设定下识别条件因果效应，提出条件集合不受处理影响时的识别公式、do演算的MPDAG推广及一个完备识别算法。
2025-07-21 cs.AI stat.ME stat.ML
Identifying Dynamic Sequential Plans
Iowa State University（爱荷华州立大学）
我们解决的问题，确定动态顺序计划的因果贝叶斯网络的框架，并表明，这个问题是减少到确定因果效应，有完整的识别算法，在文献中。
2012-06-13 cs.AI
Identifying Conditional Causal Effects
Iowa State University（爱荷华州立大学）
本文涉及的非实验数据和因果假设的组合编码的形式，其中一些变量被假定为不可观察的有向无环图的行动的影响进行评估。我们提供了一个程序，系统地识别两组变量之间的原因影响的条件下，其他一些变量，在时间多项式中的变量的数量在图中。可识别的条件因果效应用观察到的联合分布表示。
2012-07-11 cs.AI stat.ME
On Discovery of Local Independence over Continuous Variables via Neural Contextual Decomposition
AI Institute, Seoul National University（首尔国立大学AI研究所）；Graduate School of Data Science, Seoul National University（首尔国立大学数据科学研究生院）
针对连续变量上难以检验上下文特定独立性的问题，本文提出 CSSI 概念与神经上下文分解 NCD，通过学习联合结果空间划分发现局部因果独立性。
2024-05-12 cs.AI cs.LG stat.ML
Identifying Macro Causal Effects in a C-DMG over ADMGs
Sorbonne Université（索邦大学）；INSERM（国家医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（皮埃尔-吕克流行病学与公共卫生研究所）
针对复杂领域因果知识不完整的问题，本文研究基于ADMG的C-DMG中的宏观因果效应识别，证明do-演算的可靠性与完备性，并给出不可识别性的图形化表征。
2025-09-02 cs.AI
Identifying Candidate Risk Factors for Prescription Drug Side Effects using Causal Contrast Set Mining
University of Nottingham（诺丁汉大学）
大型纵向观测数据库提供了以成本效益高的方式提取新知识的机会。不幸的是，这些数据库用于因果推理的能力是有限的，因为数据收集的被动方式导致了各种形式的偏见。在本文中，我们研究了一种方法，可以克服这些限制，并确定因果对比集规则有效地从大数据。特别是，我们提出了一种新的方法，目的是确定风险因素，增加患者的可能性，经历已知的罕见副作用肾功能衰竭后，氨基水杨酸摄入量。结果表明，该方法能够识别先前研究的风险因素，例如处方利尿剂，并强调肾功能衰竭风险高于平均水平的患者可能更容易在服用氨基水杨酸后出现副作用。
2016-07-20 cs.AI
DSC-IITISM at FinCausal 2021: Combining POS tagging with Attention-based Contextual Representations for Identifying Causal Relationships in Financial Documents
Indian Institute of Technology (ISM), Dhanbad（印度理工学院(ISM)达巴德分校）
因果关系检测是自然语言处理和语言学研究领域的一个热点问题。它在信息检索、事件预测、问答、金融分析和市场研究中有重要的应用。在这项研究中，我们探索了几种方法来识别和提取因果对的金融文件使用Transformers。为此，我们提出了一种方法，结合POS标记与BIO计划，它可以与现代Transformer模型，以解决这一挑战，确定在给定的文本中的因果关系。在FinCausal 2021研讨会的FinCausal-2021共享任务中，我们的最佳方法在盲测中获得了0.9551的F1分数和0.8777的精确匹配分数。
2021-10-31 cs.AI cs.CL
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
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
Probabilistic Reasoning across the Causal Hierarchy
Stanford University（斯坦福大学）
我们提出了一个形式化的三层因果层次的关联，干预和反事实作为一系列的概率逻辑语言。我们的语言是严格增加的表现力，第一个能够表达定量概率推理-包括条件独立性和贝叶斯推理-第二个编码做演算推理的因果关系，第三个捕获一个完全表达做演算任意反事实查询。我们给出了相应的一系列有限公理化完成的结构因果模型和概率程序，并证明了满足性和有效性的每种语言是在多项式空间中可判定的。
2021-06-02 cs.AI cs.LO
