CausalFormer: An Interpretable Transformer for Temporal Causal Discovery
Tongji University（同济大学）；Fudan University（复旦大学）
针对现有时间因果发现方法仅利用深度学习模型部分组件参数、映射不完整的问题，提出由因果感知Transformer和基于分解的因果检测器组成的CausalFormer模型，在多类数据集上实现了当前最优的时间因果发现性能。
2024-06-24 cs.LG stat.ME
Towards Automated Causal Discovery: a case study on 5G telecommunication data
University of Crete（克里特大学）；FORTH（希腊研究与技术基金会研究与技术基金会（FORTH））
本文提出自动化因果发现（AutoCD）概念及平台架构，旨在全自动执行因果发现与推理并回答用户查询，通过在合成数据和5G电信时序数据上的应用验证其性能与通用性。
2024-02-22 cs.LG stat.ME
The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
Mila-Québec, Université de Montréal（蒙特利尔大学魁北克分校）；Carnegie Mellon University（卡内基梅隆大学）；Deutsches Forschungszentrum für künstliche Intelligenz (DFKI)（德国人工智能研究中心）；University of Pennsylvania（宾夕法尼亚大学）；Next Generation Analytics and Modulo Bio（下一代分析与Modulo Bio）；ServiceNow Research（ServiceNow研究）；Mila-Québec, Université Laval（魁北克蒙特利尔大学拉瓦尔分校）
本文通过系统性综述近期因果发现文献，指出当前方法依赖不切实际假设、评估方式不足的问题，梳理了多领域的可用数据集与假设违背情况，呼吁学界采用更真实的数据集和更合理的评估指标以推动因果发现的实际应用。
2025-06-13 cs.LG stat.ME
Context-Specific Causal Discovery for Categorical Data Using Staged Trees
IE University（IE大学）；Universitat de València（瓦伦西亚大学）
因果发现算法旨在从数据中解开复杂的因果关系。在这里，我们研究因果发现和推理方法的基础上，阶段树模型，它可以表示复杂的和不对称的因果关系之间的分类变量。我们提供了一个阶段树的等价类的第一个图形表示，只看它的底层独立性的一个特定子集。我们进一步定义了一个新的预度量，灵感来自广泛使用的结构干预距离，量化两个阶段的树在其相应的因果推断语句之间的接近度。一项模拟研究强调了阶段树在揭示复杂性、数据中的不对称因果关系方面的功效，并通过实际数据应用说明了它们在实际因果分析中的用途。
2023-02-28 cs.LG stat.ME
The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
School of Mathematics, Southeast University, Nanjing 210096, China（数学学院，东南大学，南京210096，中国）；School of Cyber Science and Engineering, Southeast University, Nanjing 210096, China（网络科学与工程学院，东南大学，南京210096，中国）
本工作系统评估了主流因果发现算法在八种模型假设违背下的表现，发现可微分方法在除尺度变化外的场景中具有鲁棒性，并提供了理论解释与评估标准。
2025-10-14 cs.AI cs.LG stat.ME
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University（西安交通大学）
了解因果关系有助于构建干预措施，以实现特定目标，并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加，因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上，缺乏对基于深度学习的方法进行完善的梳理和阐述，也缺乏从变量范式角度对因果发现方法的思考和探索。因此，本文根据变量范式将可能的因果发现任务分为三类，分别给出了三类任务的定义，定义并实例化了每类任务的相关数据集以及最终构建的因果模型，并对现有的主要因果发现方法进行了评述。最后，针对目前因果发现领域的研究空白，从不同角度提出了一些路线图，并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
D'ya like DAGs? A Survey on Structure Learning and Causal Discovery
University of Surrey（萨里大学）
因果推理是科学和人类智力的重要组成部分。为了从数据中发现因果关系，我们需要结构发现方法。我们提供了一个背景理论和结构发现方法的调查审查。我们主要关注现代的、持续的优化方法，并为基准数据集和软件包等进一步的资源提供参考。最后，我们讨论了从结构到因果关系所需的跳跃性。
2021-03-04 cs.LG stat.ME stat.ML
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
Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
Texas A&M University（德州农工大学）
定量数据的因果发现已经被广泛研究，但对分类数据的研究较少。我们提出了一种新的因果模型的分类数据的基础上，一个新的分类模型，称为分类与最佳标签排列（COLP）。通过设计，COLP是一个简约的分类器，它产生了一个可证明可识别的因果模型。通过比较因果模型和反因果模型的似然函数的简单学习算法足以学习因果方向。通过与合成和真实数据的实验，我们证明了所提出的基于COLP的因果模型的良好性能相比，国家的最先进的方法。我们还提供了一个随附的R包COLP，其中包含拟议的因果发现算法和分类因果对的基准数据集。
2022-12-11 cs.LG stat.ME stat.ML
Causal Discovery Toolbox: Uncover causal relationships in Python
本文提出了一个新的开源Python框架，用于从观测数据和领域背景知识中发现因果关系，旨在建立因果图和因果机制模型。'cdt'包实现了端到端的方法，恢复变量之间的直接依赖关系（因果图的骨架）和因果关系。它包括来自'Bnlearn'和'Pcalg'包的算法，以及用于成对因果发现的算法，如ANM。'cdt'在https://github.com/Diviyan-Kalainathan/CausalDiscoveryToolbox的MIT许可下可用。
2019-03-06 stat.CO stat.ML
Causal Discovery with Heterogeneous Observational Data
我们考虑的问题，因果发现（结构学习）从异质观测数据。大多数现有的方法假设一个均匀的抽样方案，这导致误导性的结论时，违反了在许多应用中。为此，我们提出了一种新的方法，利用数据的异质性来推断因果关系不足的系统可能循环因果结构。核心思想是将直接因果效应建模为外源协变量的函数，从而正确解释数据的异质性。我们研究所提出的模型的结构可识别性。结构学习以完全贝叶斯的方式进行，这提供了自然的不确定性量化。我们通过大量的模拟和现实世界的应用程序证明了它的实用性。
2022-01-28 stat.ME
A Diagnostic Tool for Functional Causal Discovery
提出CDDR诊断工具，通过绘图比较不同样本量下因果发现结果的概率，评估假设违例与样本量交互对识别因果方向的影响，并在二元场景中应用于LiNGAM和新的测试方法，证明其概率估计的一致性与渐近正态性。
2024-09-25 stat.AP stat.ME
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包，并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Northeast Normal University（东北师范大学）
因果发现是在给定的观测数据中学习变量之间的因果关系，对于许多应用都很重要。现有的因果发现方法假设数据充足，这在许多现实世界的数据集中可能不是这种情况。因此，许多现有的因果发现方法可能在有限的数据下失败。本文提出了一种贝叶斯-增广频率独立性检验方法，以提高基于约束的因果发现方法在数据不足情况下的性能：1）首先引入贝叶斯方法估计互信息，并在此基础上提出了一种鲁棒的基于互信息的独立性检验方法; 2）其次，我们考虑假设似然的贝叶斯估计，并将其纳入一个定义良好的统计检验，从而产生基于稳健统计测试的独立性测试。我们提出的独立性测试的约束为基础的因果发现方法，并评估基准数据集的样本不足的性能。实验表明，显着的性能改善方面的准确性和效率SOTA方法。
2022-06-16 cs.LG stat.ME
Causal Discovery from Temporal Data: An Overview and New Perspectives
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Mathematical Sciences, Fudan University（复旦大学数学科学学院）
本文系统综述了从时间数据中发现因果关系的方法，涵盖多变量时间序列与事件序列因果发现两类，并提供了公开数据集、评估指标及未来新视角。
2023-08-03 cs.LG stat.ME
A novel framework extending cause-effect inference methods to multivariate causal discovery
本文提出一个辅助框架，将任意双变量因果推断方法系统扩展到多变量场景，通过可识别的局部图结构迭代发现完整因果结构，并从理论与实验上验证其有效性。
2023-05-26 stat.ME
Causal Discovery and Counterfactual Explanations for Personalized Student Learning
University of the Witwatersrand（威特沃特斯兰德大学）
本文将 PC 因果发现与反事实分析用于真实学生成绩数据，识别影响最终成绩的因果因素并生成个性化学习建议，同时讨论样本量、领域知识及实时验证等局限。
2023-09-18 cs.CY cs.LG stat.ME
Ordinal Causal Discovery
纯观测的分类数据的因果发现是一个长期存在的挑战性问题。与连续数据不同，绝大多数现有的分类数据方法只关注于推断马尔可夫等价类，这使得某些因果关系的方向无法确定。本文提出了一种可识别的序数因果发现方法，利用包含在许多现实世界中的应用程序，以唯一地识别因果结构的序数信息。所提出的方法是适用于超越有序数据通过数据离散化。通过真实世界和合成实验，我们证明了所提出的顺序因果发现方法结合简单的得分和搜索算法具有良好的和强大的性能相比，国家的最先进的替代方法在有序分类和非分类数据。附带的R包OrdCD可以在CRAN和https://web.stat.tamu.edu/~yni/files/OrdCD_1.0.0.tar.gz上免费获得。
2022-12-17 stat.ME stat.ML
A Constraint-Based Algorithm For Causal Discovery with Cycles, Latent Variables and Selection Bias
自然界中的因果过程可能包含循环，而真实数据集可能违反因果充分性并包含选择偏差。目前没有基于约束的因果发现算法可以同时处理周期、潜变量和选择偏差（CLS）。因此，我介绍了一种算法，称为循环因果推断（CCI），使健全的推论与条件独立的预言CLS下，只要我们可以表示为一个非递归的线性结构方程模型的非递归的因果过程的独立错误。实证结果表明，CCI优于CCD在循环的情况下，以及竞争对手的FCI和RFCI在非循环的情况下。
2018-05-05 cs.LG stat.ME stat.ML
Differentiable Causal Discovery of Linear Non-Gaussian Acyclic Models Under Unmeasured Confounding
本文提出ABIC LiNGAM方法，扩展线性非高斯无环模型以处理未测量混杂下的因果发现，利用多元广义正态误差和连续优化恢复因果方向，并提供可识别性理论保证及实验验证。
2025-01-22 stat.ME
Causal discovery in heavy-tailed models
因果问题在许多科学问题中无所不在。虽然在分析随机变量之间的因果关系方面已经取得了很大的进展，但如果因果机制只在极端情况下表现出来，这些方法就不太适合。本文旨在将因果推断和极值理论这两个领域联系起来。我们定义的因果尾系数，捕捉两个随机变量的极值依赖的不对称性。在人口的情况下，因果尾系数显示，揭示因果结构，如果分布遵循线性结构因果模型。即使存在与观测变量具有相同尾部指数的潜在共同原因，这也是成立的。基于因果尾系数的相合估计量，我们提出了一个计算效率高的算法，估计因果结构。我们证明，我们的方法始终恢复因果顺序，我们比较它与其他成熟的和非极值的方法在因果发现合成和真实数据。该代码作为开放访问的R包提供。
2020-09-22 stat.ME
Boosting Local Causal Discovery in High-Dimensional Expression Data
University of Amsterdam（阿姆斯特丹大学）
我们研究了局部因果发现（LCD），一个简单而有效的基于约束的因果发现方法，在预测大规模基因表达数据中的因果效应的性能。我们构建具体的高维政权的实用估计。受ICP算法的启发，我们使用了可选的预选方法和两种不同的统计检验。经验上，由此产生的LCD估计被认为是接近ICP的准确性，最先进的方法，而它是算法更简单，计算更有效。
2019-11-01 cs.LG stat.ME stat.ML
Causal-learn: Causal Discovery in Python
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）；University of California, San Diego（加利福尼亚大学圣迭戈分校）；Guangdong University of Technology（广东工业大学）；University of Melbourne（墨尔本大学）；Shiga University（滋贺大学）；RIKEN（理化学研究所）
本研究推出开源Python库causal-learn，提供全面的因果发现方法与易用API、模块化模块及详细文档，适配不同用户需求，契合相关社区Python编程偏好。
2023-07-31 cs.LG stat.ME stat.ML
CUTS+: High-dimensional Causal Discovery from Irregular Time-series
Tsinghua University（清华大学）；Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)（清华大学脑与认知科学研究院（THUIBCS））；Chinese PLA General Hospital（中国人民解放军总医院）
针对高维、不规则采样时间序列中的因果结构学习难题，本文提出 CUTS+，通过 C2FD 与 MPGNN 增强 CUTS，显著提升可扩展性和因果发现性能。
2023-08-16 cs.LG stat.ME
Integrating Background Knowledge for Scalable Causal Discovery
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（拉德堡德大学（奈梅亨））；Saarland University（萨尔大学）
研究如何在因果发现中整合背景知识，提出在因果发现过程中利用背景知识的框架，实现可扩展的因果发现，经实验验证该方法能降低计算需求并提升学习结构质量。
2026-11-06 cs.LG stat.ML
On Causal Discovery with Equal Variance Assumption
先前的工作表明，当观测数据遵循误差项方差相等的结构方程模型时，可以从观测数据中唯一识别因果结构。我们表明，这一事实是隐含的（条件）方差之间的顺序。我们证明了这些方差的排序估计产生了一个简单而先进的因果结构学习方法，可以很容易地扩展到高维问题。
2019-03-07 stat.CO stat.ME
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
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine（加利福尼亚大学欧文分校）
针对高维数据集因果发现的NP难问题，提出ALCM框架融合数据驱动算法与LLMs，通过三个组件自主协作生成更优因果图，实验表明其性能优于现有方法，为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables
University of California San Diego（加州大学圣地亚哥分校）；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）；KDDI Research（KDDI研究所）
针对现有因果发现方法依赖无潜在混淆因子假设的局限，提出基于协方差矩阵秩的通用框架与RLCD算法，可处理因果相关隐变量，理论上保证特定结构可识别，实验验证了有限样本下的有效性。
2023-12-18 cs.LG stat.ME
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
Causal Discovery from Sparse Time-Series Data Using Echo State Network
University of Waterloo（滑铁卢大学）；ATS Automation（ATS自动化公司）
时间序列数据集合之间的因果关系发现可以帮助诊断症状的原因，并有望在故障发生之前预防故障。然而，可靠的因果发现可能是非常具有挑战性的，特别是当数据采集速率变化时（即，非均匀数据采样），或者在存在缺失数据点的情况下（例如，稀疏数据采样）。为了解决这些问题，我们提出了一个由两部分组成的新系统，第一部分用高斯过程回归填充缺失数据，第二部分利用回声状态网络，这是一种水库计算机（即，用于混沌系统建模）用于因果发现。我们评估我们提出的系统对其他三个现成的因果发现算法，即结构期望最大化，子采样线性自回归绝对系数，和多变量Granger因果关系与向量自回归使用田纳西伊士曼化学数据集的性能;我们报告了相应的马修斯相关系数（MCC）和受试者工作特征曲线（ROC）并表明，该系统优于现有的算法，证明了我们的方法的可行性，发现在一个复杂的系统中的因果关系与丢失的条目。
2023-01-11 cs.LG stat.ME
Causal Discovery over High-Dimensional Structured Hypothesis Spaces with Causal Graph Partitioning
University of Chicago（芝加哥大学）
本文提出一种基于超结构划分搜索空间的新颖因果图划分方法，实现分而治之的因果发现，在保证理论正确性的同时，大幅提升了高维变量（高达${10^4}$）下因果发现的求解效率。
2025-03-03 cs.DC cs.LG stat.ME
Causal Discovery for fMRI data: Challenges, Solutions, and a Case Study
University of Minnesota（明尼苏达大学）；Minneapolis VA Health Care System（明尼阿波利斯退伍军人事务医疗系统）
本文系统梳理了将因果发现应用于fMRI数据面临的九大挑战、决策空间及案例研究，指出其优于传统功能连接方法但仍需改进。
2023-12-20 cs.AI cs.LG q-bio.QM
Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于潜在线性高斯DAG模型的因果发现方法，用于处理具有潜在状态异质性的干预计数数据，通过稀疏逆矩阵估计提供理论保证。
2026-11-10 stat.ME
Causal discovery for observational sciences using supervised machine learning
因果推断可以估计因果效应，但除非通过实验收集数据，否则统计分析必须依赖于预先指定的因果模型。因果发现算法是从数据中构建因果模型的经验方法。已经存在几种渐近正确的方法，但它们通常在较小的样本上挣扎。此外，大多数方法集中在非常稀疏的因果模型，这可能并不总是现实的现实生活中的数据生成机制的代表。最后，虽然这些方法所提出的因果关系往往是正确的，但它们关于因果无关性的说法有很高的错误率。这种非保守的误差权衡对于观测科学来说并不理想，在观测科学中，所产生的模型直接用于告知因果推断：具有许多缺失因果关系的因果模型需要太强的假设，并可能导致有偏的效应估计。我们提出了一种新的因果发现方法，解决了这三个缺点：监督学习发现（SLdisco）。SLdisco使用监督机器学习来获得从观测数据到因果模型的等价类的映射。我们在基于高斯数据的大型模拟研究中评估了SLdisco，并考虑了模型大小和样本量的几种选择。我们发现，SLdisco是更保守的，只是适度较少的信息和较不敏感的样本量比现有的程序。我们还提供了一个真实的流行病学数据应用程序。我们使用随机二次抽样调查小样本的真实数据的性能，并再次发现，SLdisco是对样本量不太敏感，因此似乎更好地利用小数据集的信息。
2022-05-14 stat.ME stat.ML
A conceptual synthesis of causal assumptions for causal discovery and inference
本文综合多个因果发现与推断框架，梳理因果充分性、忠实性和马尔可夫条件等基础假设，提供贯穿研究设计全阶段的实用指导，以支持跨领域严谨因果推理。
2025-04-21 q-bio.QM stat.AP stat.ME
Causal Discovery for Fairness
INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；IPP（巴黎综合理工学院研究院）
考虑基于AI和ML的决策的社会和伦理后果对于安全和可接受地使用这些新兴技术至关重要。特别是，公平性保证了ML的决定不会导致对个人或少数群体的歧视。利用因果关系可以更好地确定和可靠地衡量公平/歧视，这种因果关系考虑到敏感属性（如性别、种族、宗教等）之间的因果关系，而不仅仅是联系。以及决定（例如，工作招聘、贷款发放等）。然而，使用因果关系来解决公平问题的最大障碍是因果模型（通常表示为因果图）的不可用性。现有的因果关系的公平性的方法在文献中不解决这个问题，并假设因果模型是可用的。在本文中，我们不做这样的假设，我们回顾了主要的算法，发现因果关系，从可观察的数据。本研究的重点是因果发现及其对公平性的影响。特别是，我们展示了不同的因果发现方法可能会导致不同的因果模型，最重要的是，因果模型之间的微小差异如何对公平/歧视结论产生重大影响。这些结果通过使用合成和标准公平基准数据集的实证分析得到巩固。本研究的主要目标是强调因果发现步骤的重要性，以适当地解决公平使用因果关系。
2022-06-14 cs.AI cs.CY cs.LG
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据，提出改进的偏相关条件独立性检验，结合专家知识，在因果发现中优于标准检验且保持理论一致性。
2023-06-20 stat.ME stat.ML
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation
Technical University of Munich（慕尼黑工业大学）；Mila - Quebec AI Institute（米拉 - 魁北克人工智能研究所）；ServiceNow Research（ServiceNow研究院）；Université de Montréal（蒙特利尔大学）；Helmholtz AI（亥姆霍兹人工智能研究所）
针对因果发现方法评估中忽视下游推断的问题，该研究在处理效应估计任务上评估了七种方法（含基于GFlowNets的新方法），通过分布层面评估揭示了不同算法在捕捉ATE模式上的表现差异。
2023-07-30 cs.LG stat.ME
Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs
Cornell Tech（康奈尔理工学院）；Weill Cornell Medicine（威尔康奈尔医学院）；Carnegie Mellon University（卡内基梅隆大学）
针对非参数全局因果发现的指数级复杂度难题，提出局部因果发现方法LDP，通过划分变量集在多项式时间内为暴露-结果对寻找有效调整集，实现更高效、偏差更小的因果效应估计。
2024-06-01 cs.LG stat.ME stat.ML
CUTS: Neural Causal Discovery from Irregular Time-Series Data
Tsinghua University（清华大学）；Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)（清华大学脑与认知科学研究所）；Chinese PLA General Hospital（中国人民解放军总医院）
从时间序列数据中发现因果关系一直是机器学习的核心任务。最近，Granger因果关系推理由于其良好的可解释性和与新兴的深度神经网络的高度兼容性而获得了发展势头。然而，现有的方法大多假设输入数据是结构化的，当遇到随机缺失数据或采样频率不均匀的数据时，这些方法的性能会大大退化，这就阻碍了它们在实际应用中的应用。为了解决这个问题，本文提出了一种神经Granger因果发现算法CUTS，通过在一个迭代框架中插入两个相互促进的模块来联合估算未观察到的数据点并构建因果图：（i）潜在数据预测阶段：设计了一个延迟监督图神经网络（Delayed Supervision Graph Neural Network，DSGNN）来对可能具有高维和复杂分布的非结构化数据进行幻觉和注册;（ii）因果图拟合阶段：在稀疏惩罚下用估算数据构建因果邻接矩阵。实验表明，CUTS有效地推断因果图从非结构化的时间序列数据，具有显着优于现有的方法的性能。我们的方法是一个有前途的一步，将因果发现应用到实际应用中的非理想观测。
2023-02-15 cs.LG stat.ME
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
University of Amsterdam（阿姆斯特丹大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
在时间序列数据上，大多数因果发现方法在遇到来自新的潜在因果图的样本时都适合新的模型。然而，这些样本通常共享在遵循这种方法时丢失的相关信息。具体而言，不同的样本可能共享描述其因果关系的影响的动态。我们提出了摊销因果发现，一个新的框架，利用这种共享的动态学习推断因果关系的时间序列数据。这使我们能够训练单个摊销模型，该模型推断具有不同基础因果图的样本之间的因果关系，从而利用共享的动态信息。我们的实验表明，这种方法，实施为变分模型，导致因果发现性能的显着改善，并显示它如何可以扩展到执行以及下添加的噪声和隐藏的混淆。
2022-02-21 cs.LG stat.ML
A Meta-Reinforcement Learning Algorithm for Causal Discovery
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Universiteit van Amsterdam（阿姆斯特丹大学）
因果发现是机器学习的一项重要任务，因为因果结构可以使模型超越纯粹的基于相关性的推理，并显着提高其性能。然而，从数据中找到因果结构在计算工作量和准确性方面都构成了重大挑战，更不用说在没有干预的情况下不可能实现。在本文中，我们开发了一个Meta强化学习算法，通过学习执行干预，使其可以构建一个明确的因果图进行因果发现。除了对可能的下游应用有用之外，估计的因果图还为数据生成过程提供了解释。在这篇文章中，我们表明，我们的算法估计一个很好的图相比，SOTA的方法，即使在环境中的潜在因果结构是以前看不见的。此外，我们做了一个消融研究，显示如何学习干预有助于我们的方法的整体性能。我们的结论是，干预措施确实有助于提高绩效，有效地对可能看不见的环境的因果结构进行准确估计。
2023-02-21 cs.AI cs.LG stat.ME
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
Applied Artificial Intelligence Institute (A2I2)（应用人工智能研究所）；Deakin University（迪肯大学）
针对Post-Nonlinear因果模型中可逆性约束难以捕捉的问题，提出基于归一化流的因果发现方法CAF-PoNo，通过精确重构隐藏噪声实现双变量与多变量因果发现，性能优于现有先进方法。
2024-08-29 cs.AI cs.LG stat.ME
Causal Discovery on Irregular Time Series
Feedzai（Feedzai公司）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高等技术学院）；DCC, Faculdade de Ciêncidas da Universidade do Porto（波尔图大学理学院数据与计算机科学系）；Instituto de Telecomunicações（电信研究所）
研究旨在解决不规则时间序列的因果发现问题，通过扩展PCMCI+方法，利用预定义时间窗口聚合因果影响，在合成数据实验中表现出色，能有效恢复因果图且优于标准方法。
2026-07-21 cs.LG stat.ME
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
Multi-Domain Causal Discovery in Bijective Causal Models
Columbia University（哥伦比亚大学）；Leiden University（莱顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文研究多领域环境下的因果发现问题，假设因果函数不变而外生噪声分布可变，提出利用双射生成机制（BGM）放宽函数假设，推导出寻找目标变量父代集的统计检验方法，并在合成与真实数据集上验证了理论有效性。
2025-04-30 cs.AI cs.LG stat.ME
Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery
University of Houston（德克萨斯大学休斯顿分校）；NEC Laboratories America（NEC美国实验室）；Florida International University（佛罗里达国际大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出 MATMCD，一个由工具增强 LLMs 驱动的多智能体系统，通过 Data Augmentation agent 和 Causal Constraint agent 协同处理多模态数据，实现知识驱动的精确因果发现，并在七个数据集上验证了其显著潜力。
2025-05-31 cs.AI cs.LG stat.ME
Multiple imputation and test-wise deletion for causal discovery with incomplete cohort data
因果发现算法从观测数据中估计因果图。这可以提供一个有价值的补充分析集中在个别治疗结果对之间的因果关系。基于约束的因果发现算法在构建图时依赖于条件独立性测试。直到最近，这些算法还无法处理缺失值。在本文中，我们研究了两种替代的解决方案：测试明智的删除和多重插补。我们建立了测试删除下因果结构可恢复性的充分必要条件，并认为多重插补在因果发现的背景下比估计更具挑战性。我们通过从基准因果图模拟进行了广泛的比较：正如人们所料，我们发现测试式删除和多重插补都明显优于列表式删除和单重填补。至关重要的是，我们的研究结果进一步表明，多重插补是特别有用的设置中的一个小数目的高斯或离散变量，但当数据集包含一个混合的两种方法都不是最好的。我们比较的方法包括随机森林填补和混合程序相结合的测试明智的删除和多重插补。一个应用程序的数据IDEFICS队列研究的饮食和生活方式有关的疾病在欧洲儿童作为一个说明性的例子。
2021-08-30 stat.ME stat.ML
Domain Knowledge in A*-Based Causal Discovery
causaLens（causaLens公司）；King’s College London（伦敦国王学院）
因果发现已经成为科学家和从业者想要从观测数据中发现因果关系的重要工具。虽然大多数以前的因果发现方法都隐含地假设没有专业领域知识，但从业者通常可以从以前的经验中提供这样的领域知识。最近的工作已纳入领域知识的约束为基础的因果发现。然而，大多数这种基于约束的方法都假定因果忠实性，这在实践中经常被违反。因此，人们重新关注基于精确搜索分数的因果发现方法，这些方法不假设因果忠实性，例如基于A* 的方法。然而，在领域知识的背景下没有考虑这些方法。在这项工作中，我们专注于有效地整合几种类型的领域知识到A* 为基础的因果发现。在此过程中，我们讨论并解释领域知识如何减少图搜索空间，然后提供对潜在计算收益的分析。我们通过对合成数据和真实数据的实验来支持这些发现，表明即使是少量的领域知识也可以大大加快基于A* 的因果发现，并提高其性能和实用性。
2022-08-17 cs.AI cs.LG stat.ML
Bivariate Causal Discovery and its Applications to Gene Expression and Imaging Data Analysis
遗传学、表观遗传学和影像学数据分析的主流研究集中在统计关联或探索变量之间的统计依赖性。尽管他们在遗传学研究方面取得了重大进展，但对复杂表型的病因和机制的理解仍然难以捉摸。关联分析作为复杂数据分析的主要分析平台，是制约基因组科学理论发展和实际应用的关键问题。因果推理是发现复杂表型之间的机械关系的重要组成部分。许多研究人员建议从关联过渡到因果关系。尽管因果推理在科学、工程和生物医学中起着重要作用，但传统的因果推理方法至少需要三个变量。然而，数量遗传分析，如QTL，eQTL，mQTL和基因组成像数据分析需要探索两个变量之间的因果关系。本文将重点讨论二元因果发现。我们将介绍原因和机制的独立性（ICM）作为因果推理的基本原则，算法信息论和加性噪声模型（ANM）作为双变量因果发现的主要工具。将进行大规模模拟以评估ANM用于双变量因果发现的可行性。为了进一步评估其因果推理的性能，ANM将被应用于基因调控网络的构建。此外，ANM将被应用到特质成像数据分析，以说明三种情况：存在因果关系和关联，存在关联而不存在因果关系，存在因果关系，而两个变量之间缺乏关联。
2018-05-10 q-bio.GN stat.ME
Local Causal Discovery for Estimating Causal Effects
Carnegie Mellon University（卡内基梅隆大学）
本文提出局部因果发现算法 LDECC，通过非屏蔽碰撞子定向处理变量父节点，以估计可能的 ATE 集合，并在计算效率和忠实性假设上与现有方法形成互补。
2024-04-10 cs.LG stat.ME
