Characterization of causal ancestral graphs for time series with latent confounders
German Aerospace Center(德国航空航天中心)
该研究提出一类用于含未观测混杂因子的多变量时间序列的新型因果图模型,证明其为现有模型类的真子集,可在无额外假设下得出更强因果推断,且其马尔可夫等价类图形表示蕴含更丰富的因果知识。
2023-10-05 cs.AI cs.LG stat.ME
Causal Generative Neural Networks
我们提出了因果生成神经网络(CGNNs)从观测数据中学习函数因果模型。CGNN利用条件独立性和分布不对称性来发现二元和多元因果结构。CGNNs不假设缺乏混杂因素,并通过使用反向传播来学习数据的可微生成模型。大量的实验表明,他们的良好的表现相对于最先进的观测因果发现的模拟和真实数据,相对于因果推理,v-结构识别,和多元因果发现。
2018-02-05 stat.ML
Efficient SAGE Estimation via Causal Structure Learning
University of Vienna(维也纳大学);LMU Munich(慕尼黑大学)
提出 $d$-SAGE 方法,利用因果结构学习识别特征与目标间的条件独立性以跳过零剩余贡献计算,从而在保证准确性的同时显著加速 SAGE 值的近似估计。
2023-04-06 cs.LG stat.ML
Causal Additive Models with Unobserved Causal Paths and Backdoor Paths
Shiga University(Shiga大学);RIKEN(理化学研究所);AIP(应用物理研究所);Gakushuin University(早稻田大学);The University of Osaka(大阪大学)
本文提出在存在未观测变量时,通过回归残差独立性和条件独立性新特征,识别因果方向的条件,并设计了一个完备的搜索算法。
2026-05-22 cs.LG stat.ME stat.ML
Causal discovery of linear acyclic models with arbitrary distributions
Carnegie Mellon University(卡内基梅隆大学);University of Helsinki(赫尔辛基大学);Osaka University(大阪大学)
数据分析的一个重要任务是发现观测变量之间的因果关系。对于连续值数据,线性非循环因果模型通常用于建模数据生成过程,并且此类模型的推断是一个研究得很好的问题。然而,现有的方法具有显著的局限性。基于条件独立性的方法(Spirtes et al. 1993; Pearl 2000)无法区分独立性等效模型,而纯粹基于独立成分分析的方法(Shimizu et al. 2006)不适用于部分高斯数据。在本文中,我们概括并结合了这两种方法,以产生一种能够在许多情况下学习模型结构的方法,对于这些情况,以前的方法提供的答案要么是不正确的,要么不是尽可能的信息。当两个不同的模型代表同一个分布家族时,我们给出了精确的图形条件,并通过全面的模拟实证证明了我们方法的强大功能。
2012-06-13 cs.AI cs.LG stat.ML
Adjustment Criteria for Recovering Causal Effects from Missing Data
Iowa State University(爱荷华州立大学)
混淆偏差、缺失数据和选择偏差是数据科学中有效因果推理的三个常见障碍。协变量调整是从混杂偏倚中恢复因果效应的最普遍的技术。在本文中,我们引入了一个协变量调整公式,用于控制混杂偏倚的缺失非随机数据的存在,并开发了一个必要和充分条件,恢复因果效应使用调整。我们还介绍了一个调整配方控制混杂和选择偏差的缺失数据的存在,并制定了有效的调整的充分必要条件。此外,我们提出了一个算法,列出所有有效的调整集和算法,找到一个有效的调整集包含最小数量的变量,这是有用的研究人员有兴趣选择调整集所需的属性。
2019-09-15 cs.LG stat.ML
Detecting hidden confounding in observational data using multiple environments
Delft University of Technology(代尔夫特理工大学)
该研究针对单数据集无法验证无隐藏混杂假设的问题,基于独立因果机制假设提出多环境下的隐藏混杂检测理论与检验流程,实验表明其多数情况下能准确检测,混杂偏差大时效果尤佳。
2023-11-03 cs.LG stat.ME stat.ML
Structural Agnostic Modeling: Adversarial Learning of Causal Graphs
本文提出了一种新的因果发现方法--结构不可知建模(SAM)。SAM利用条件独立性和分布不对称性,旨在从观测数据中找到潜在的因果结构。该方法是基于不同的球员之间的游戏,估计每个变量的分布有条件的其他神经网络,和一个对手,旨在区分所生成的数据对原始数据。结合分布估计,稀疏性和无环性约束的学习准则是用来执行通过随机梯度下降的图的结构和参数的优化。SAM在合成和真实数据上进行了广泛的实验验证。
2022-07-25 stat.ML
Recovering Linear Causal Models with Latent Variables via Cholesky Factorization of Covariance Matrix
Baidu Research(百度研究院)
本文提出基于协方差矩阵Cholesky分解的快速DAG恢复算法,并通过结合优化过程处理含潜变量的因果结构恢复,在合成与真实数据上取得最先进性能。
2023-11-01 cs.LG stat.ML
Deconfounded Score Method: Scoring DAGs with Dense Unobserved Confounding
University of Cambridge(剑桥大学);The Alan Turing Institute(艾伦·图灵研究所);University of California Los Angeles(加州大学洛杉矶分校)
未观察到的混淆是因果发现的最大挑战之一。未观测到的变量对许多观测到的变量有广泛影响的情况特别困难,因为大多数变量对在给定任何其他子集的情况下都是有条件依赖的,从而导致因果效应无法识别。在本文中,我们表明,除了条件独立性,在独立机制的原则下,未观察到的混杂在这种设置中留下了统计足迹,在观察到的数据分布,允许解开虚假和因果关系的影响。利用这一见解,我们证明了稀疏的线性高斯有向无环图之间的观测变量可以恢复近似,并提出了一个调整后的分数为基础的因果发现算法,可以实现与通用求解器和规模的高维问题。此外,我们发现,尽管我们提出的条件,以保证因果恢复,在实践中的表现是强大的模型假设的大偏差。
2021-05-25 cs.LG stat.ML
Causal Discovery with Language Models as Imperfect Experts
McGill University(麦吉尔大学);Mila - Quebec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);ServiceNow Research(ServiceNow研究院)
本文研究在专家可能出错的情况下,利用一致性性质修正专家知识以改进因果图识别,并在真实数据上以大型语言模型作为不完美专家进行验证。
2023-07-05 cs.AI cs.CL cs.LG
A Weaker Faithfulness Assumption based on Triple Interactions
CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心);Saarland University(萨尔大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);University College London(伦敦大学学院);University of Amsterdam(阿姆斯特丹大学)
因果发现的核心假设之一是忠实性假设,即,假设在数据中发现的独立性是由于真实因果图中的分离。然而,这一假设可以在许多方面被违反,包括异或连接、确定性函数或取消路径。在这项工作中,我们提出了一个较弱的假设,我们称之为$2$ -邻接忠诚。与邻接忠实性不同,邻接忠实性假设因果图中连接的每对变量之间没有条件独立性,我们只要求节点与其马尔可夫毯的子集之间没有条件独立性,该马尔可夫毯可以包含多达两个节点。同样地,我们调整方向忠诚到这个设置。我们进一步提出了一个合理的方向规则因果发现,适用于较弱的假设。作为一个概念证明,我们推导出一个修改后的增长和收缩算法,恢复马尔可夫毯的目标节点,并证明其正确性严格弱于标准的忠实性假设的假设。
2021-08-04 cs.AI cs.LG stat.ML
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面,它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果,以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面,因果图模型利用有向边来表示因果关系,并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来,对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作,主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
Causal Discovery in Multivariate Time Series through Mutual Information Featurization
Machine Learning Group, Computer Science Department, Universite' Libre de Bruxelles(布鲁塞尔自由大学计算机科学系机器学习小组)
本文提出TD2C框架,将因果发现从统计检验转为模式识别,利用信息论特征监督学习,在合成数据训练后零样本泛化,高维非线性场景性能领先。
2025-08-03 cs.LG stat.ME stat.ML
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
Causal learning with sufficient statistics: an information bottleneck approach
Istituto Italiano di Tecnologia(意大利理工学院);Dept. of Neurobiology, Harvard Medical School(哈佛医学院神经生物学系);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Max Planck ETH Center for Learning Systems(马克斯·普朗克-ETH学习系统中心);Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所)
从部分可观测的隐变量多变量系统的观测数据中推断因果关系是许多科学领域的基本问题。从系统变量之间的条件独立性中提取因果信息的方法是用于此目的的常用工具,但由于缺乏独立性而受到限制。为了克服这一局限性,我们利用了这样一个事实,即一个系统的生成机制的法律往往导致子结构体现在一个变量的生成函数方程,它作为充分统计量的影响,其他变量对它。这些功能充分统计量构成中间隐藏变量提供新的条件独立性进行测试。我们建议使用信息瓶颈方法,一种常用的降维技术,找到足够的统计数据集。使用这些统计数据,我们制定了新的额外的规则的因果方向,提供因果信息不能从标准的结构学习算法,只利用可观察变量之间的条件独立。我们验证了使用充分统计量的结构学习与模拟系统构建包含特定的充分统计量和基准数据的监管规则以前和独立提出的生物信号转导网络模型。
2020-10-12 cs.LG stat.ML
Latent Variable Causal Discovery under Selection Bias
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)
本文提出了一种基于排名约束的方法,用于在存在选择偏差的情况下识别潜在变量模型中的因果结构。
2025-12-12 cs.LG
A Single Iterative Step for Anytime Causal Discovery
Intel Labs(英特尔实验室)
我们提出了一个健全的和完整的算法恢复因果图从观察到的,非干预性的数据,在潜在的混杂因素和选择偏差的可能存在。我们依赖于因果马尔可夫和忠诚的假设和恢复的等价类的基本因果图之间进行了一系列的条件独立性(CI)测试观察到的变量。我们提出了一个单步的迭代应用,这样的独立性和因果关系所产生的图形,在任何迭代后,是正确的,并成为更多的信息与连续的迭代。本质上,我们将CI条件集的大小与其到结果图上测试节点的距离联系起来。每次迭代通过执行条件集大于前一次迭代的CI测试来细化骨架和方向。在迭代中,CI测试的条件集由指定搜索距离内的节点构造,并且这些条件集的大小等于该搜索距离。然后,该算法迭代地增加搜索距离以及条件集的大小。因此,每次迭代都细化一个图,该图是由具有更小条件集的先前迭代恢复的-具有更高的统计能力。我们证明,我们的算法需要显着更少的CI测试和更小的条件集相比,FCI算法。这对于使用完美的CI oracle恢复真实的底层图和使用有限的观察数据准确估计图都是显而易见的。
2020-12-24 cs.AI cs.LG stat.ML
Structured Neural Networks for Density Estimation and Causal Inference
University of Toronto(多伦多大学);Vector Institute(向量研究所);California Institute of Technology(加州理工学院)
该研究提出结构化神经网络StrNN,通过基于神经网络架构与二进制矩阵分解关联设计的掩码注入结构,解决NP难的结构设计问题,在密度估计和因果推断任务中验证了效用,为相关研究开辟新途径。
2023-11-03 cs.LG stat.ML
Identification of causal intervention effects under contagion
界定和确定传染性传染病结果的因果干预效应具有挑战性,因为给予一个人的治疗-如疫苗-可能影响其他人的感染结果。流行病学家提出了因果estimands量化的影响下的干预传染使用两人的伙伴关系模型。这些简单的概念模型帮助研究人员开发了与疫苗效果临床评价相关的因果被估量。然而,许多这些伙伴关系模型的结构性假设,排除现实的传染病传播动力学,限制了他们的概念在定义和确定因果处理效应的经验性干预试验的有用性。在本文中,我们提出了因果干预的影响,在两个人的伙伴关系下任意传染病的传播动力学,并给出非参数识别结果,显示如何影响可以估计在实证试验中使用的时间感染或二进制结果数据。关键的见解是,传染是一种因果现象,诱导感染结果的条件独立性,可用于识别有临床意义的因果被估量。这些新的被估量进行比较,现有的数量,并说明使用一个现实的模拟艾滋病毒疫苗试验的结果。
2019-12-10 math.ST q-bio.PE stat.AP
General Control Functions for Causal Effect Estimation from Instrumental Variables
New York University(纽约大学)
因果关系估计依赖于将结果的变化分为治疗和混杂因素引起的部分。为了实现这种分离,从业者经常使用外部随机性来源,这些来源只影响称为工具变量(IV)的治疗。我们研究从治疗和IV中构建的变量,这些变量有助于估计效果,称为控制函数。我们的特点一般控制功能的效果估计的元识别结果。然后,我们表明,结构假设的治疗过程中允许建设一般的控制功能,从而保证识别。为了构造一般控制函数和估计效果,我们发展了一般控制函数方法(GCFN)。GCFN的第一阶段称为变分解耦(VDE)构造一般的控制功能,通过恢复的残差变化的治疗给定的IV。使用VDE的控制功能,GCFN的第二阶段通过回归估计效果。此外,我们开发了半监督GCFN构建一般的控制功能,使用的数据子集,IV和混杂因素作为监督观察,这需要没有结构的治疗过程的假设。我们评估GCFN低,高维模拟数据和恢复奴隶出口对现代社区信任的因果关系。
2021-02-02 cs.LG stat.ML
CasualSynth: Generating Structurally Sound Synthetic Data
Department of Computer Science, University of Oxford(牛津大学计算机科学系);Institute of Logic and Computation, TU Wien(维也纳技术大学逻辑与计算研究所)
本文提出CasualSynth框架,通过解耦因果结构生成与语义实现,生成既符合因果机制又语义丰富的合成数据,解决了LLM在生成合成数据时无法保证因果正确性的问题。
2026-05-17 cs.AI cs.CL cs.LG
Learning latent causal graphs via mixture oracles
University of Chicago(芝加哥大学);Carnegie Mellon University(卡内基梅隆大学)
我们研究的问题重建的因果图模型的数据中存在的潜在变量。感兴趣的主要问题是恢复潜在变量的因果结构,同时允许变量之间的一般,潜在的非线性依赖。在许多实际问题中,原始观测(例如图像中的像素)之间的相关性远不如某些高级潜在特征(例如概念或对象)之间的相关性,这是感兴趣的设置。我们提供的条件下,潜在的陈述和潜在的因果模型是可识别的减少到一个混合物的预言。这些结果突出了一个有趣的连接之间的学习混合模型的顺序和学习的问题之间的可观察和不可观察的二分结构的研究问题。证明是建设性的,并导致几个算法,明确重建完整的图形模型。我们讨论有效的算法,并提供实验说明算法在实践中。
2021-11-21 cs.AI cs.LG stat.ML
A Latent Causal Inference Framework for Ordinal Variables
提出一个基于潜在高斯DAG模型的序数因果推断框架,推导闭式干预效应公式,并结合序数结构EM算法,在模拟和408名患者调查数据上验证了其有效性。
2025-02-24 stat.ME stat.ML
Learning Adjustment Sets from Observational and Limited Experimental Data
University of Pittsburgh(匹兹堡大学)
由于混杂因素,从观察数据中估计因果效应并不总是可能的。确定一组适当的协变量(调整集)并调整其影响可以消除混杂偏倚;但是,通常无法仅从观察数据中确定此类集。实验数据没有混杂偏倚,但通常受样本量的限制,因此可能产生不精确的估计值。此外,实验数据通常包括有限的协变量集,因此对潜在系统的因果结构提供有限的见解。在这项工作中,我们介绍了一种方法,结合大型观测和有限的实验数据,以确定调整集,提高因果效应的估计。该方法通过计算实验数据的边际似然来识别调整集(如果可能的话),给出潜在调整集的观测导出的先验概率。通过这种方式,该方法可以做出仅使用所有观察和实验数据中的条件依赖性和独立性是不可能的推断。我们表明,该方法成功地识别调整集,提高了因果效应估计模拟数据,它有时可以作出额外的推论相比,最先进的方法相结合的实验和观测数据。
2020-11-17 cs.LG stat.ME
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
Université Laval(拉瓦尔大学)
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题,挖掘图中条件独立性拓展相关结果,可得到渐近方差更低的估计量,实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
Data-Driven Adjustment for Multiple Treatments
针对非实验场景下因果效应识别的调整集寻找需已知因果图的问题,本文提出两种直接基于数据依赖/独立关系的方法,拓展了c-等价相关研究并给出多处理下调整集的充分寻找准则。
2025-08-01 stat.ME
Identification of Latent Variables From Graphical Model Residuals
基于图的因果发现方法旨在捕获与观察数据一致的条件独立性,并将因果关系与间接或诱导的因果关系区分开来。成功构建数据的图形模型取决于因果充分性的假设:即所有混淆变量都被测量。当不满足这个假设时,学习的图形结构可能会变得任意不正确,并且这些模型所暗示的效果可能会被错误地归因,携带错误的幅度或错误地表示相关性的方向。图形模型在越来越少的“大数据”中的广泛应用,重新引起了人们对未观察到的混淆问题的关注。我们提出了一种新的方法,其目的是控制潜在的空间时,估计一个DAG迭代推导代理的潜在空间的残差推断模型。在温和的假设下,我们的方法改进了高斯图模型的结构推理,并提高了因果效应的可识别性。此外,当该模型用于预测结果时,它会消除结果父项系数的混淆,并在样本外制度与训练数据非常不同时提高预测性能。我们表明,任何改善的预测结果是内在的上限,不能上升超过一定的限制相比,混杂模型。我们扩展我们的方法超越GGMs有序变量和非线性的情况下。我们的R包提供了PCA和自动编码器实现的方法,适合GGM的一些保证和更好的性能,在一般情况下,但没有这样的保证。
2021-01-07 cs.LG q-bio.QM 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
GO-Based Clustering for Learning Cluster-Level Causal Gene Regulatory Networks
L3S Research Center, Leibniz University Hannover(莱布尼茨汉诺威大学L3S研究中心);Lower Saxony Center for Artificial Intelligence and Causal Methods in Medicine (CAIMed)(下萨克森州人工智能与因果医学方法中心(CAIMed));Institute for Causal and Explainable Artificial Intelligence in Life Sciences(生命科学因果与可解释人工智能研究所);Center for Computational Life Sciences(计算生命科学中心);RWTH Aachen University(亚琛工业大学)
提出GO4CD算法,利用基因本体论构建生物学意义的基因分区,与CLOC集成,在模拟数据上显著降低不可容许率,更适用于学习聚类级因果基因调控网络。
2026-10-06 cs.LG
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Institute of Science Technology Austria(奥地利科学技术研究所)
本文为分数匹配方法建立了统计样本复杂度界,证明用深度ReLU网络和随机梯度下降可准确估计分数函数,并给出其在因果发现和生成建模中的误差上界。
2023-10-27 cs.LG stat.ML
Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models
Universidad Torcuato Di Tella(托尔夸托·迪·特利亚大学);CONICET(阿根廷国家科学与技术研究理事会);Harvard T. H. Chan School of Public Health(哈佛陈曾熙公共卫生学院)
在观察性研究中,常采用协变量调整法估计群体平均治疗效应。从假定的因果图模型确定所有有效协变量调整集的图形规则是众所周知的。限制注意因果线性模型,最近的一篇文章推导出两个新的图形标准:一个是比较控制某些不同的调整集的线性回归治疗效果估计量的渐近方差,另一个是确定最佳调整集,该调整集产生最小二乘治疗效果估计量,在一致的调整最小二乘估计量中具有最小的渐近方差。在本文中,我们表明,相同的图形标准可以用于非参数因果图形模型时,治疗效果估计的对比,涉及非参数调整估计的干预手段。我们还提供了一个图形的标准来确定最佳调整集之间的最小调整集,这是有效的线性和非参数估计。我们提供了一个新的图形标准,比较不定常调整集,即,由协变量,调整为未来的治疗,本身受到早期治疗的影响。我们通过例子表明,一致最优的不定常调整集并不总是存在。此外,对于点干预,我们提供了一个健全的和完整的图形标准,用于确定当一个非参数的最佳调整估计的干预手段,或干预手段的对比度,是一样有效的,利用信息的条件独立编码的非参数因果图模型的相同参数的有效估计。
2019-12-16 cs.LG math.ST stat.ML
Recovering Latent Confounders from High-dimensional Proxy Variables
Image Processing Laboratory (IPL)(图像处理实验室(IPL));Parc Científic Universitat de València(瓦伦西亚大学科学公园)
本文提出代理混杂因子分解(PCF)框架,通过高维混合代理变量估计连续处理效应,消除了以往低维或有序代理变量限制,并在合成与气候数据上验证了其有效性。
2024-03-21 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
Nonparametric causal mediation analysis for stochastic interventional (in)direct effects
历史上,因果中介分析在两个重要方面受到限制:(i)传统上关注二元治疗和静态干预,(ii)直接和间接效应分解仅在不存在受治疗影响的中间混杂因素的情况下才可识别。我们提出了一个理论研究的(中)直接效应分解的人口干预效果,定义为随机干预联合应用于治疗和介质。与现有的建议相反,我们的因果效应可以进行评估,无论治疗是分类的还是连续的,即使在存在受治疗影响的中间混杂因素的情况下,因果效应也可以得到很好的定义。我们的(非)直接效应是可识别的,而无需对跨世界反事实独立性进行限制性假设,从而可以在随机对照试验中验证从中得出的实质性结论。除了新的影响介绍,我们提供了一个仔细的研究非参数效率理论相关的建设灵活的,多个强大的估计我们的(在)直接影响,同时避免不适当的限制所引起的假设参数模型的滋扰参数泛函。为了补充我们的非参数估计策略,我们引入了推理技术,用于构建置信区间和假设检验,并讨论了开源软件实现所提出的方法。
2022-01-11 math.ST stat.ME stat.TH
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
Bayesian causal inference in probit graphical models
我们考虑一个二元响应,这是潜在的影响,由一组连续变量。特别令人感兴趣的是由于对特定变量的干预而对响应产生的因果效应。后者可以通过对数据生成机制的适当假设,在观测数据的基础上有意义地确定。特别是,我们假设联合分布服从有向无环图(DAG)中固有的条件独立性(马尔可夫性),并且通过干预分布的概念对DAG进行因果解释。我们提出了一个DAG概率模型,其中的响应是通过一个随机阈值的连续潜变量和离散化产生的,后者,连同其余的连续变量,具有属于零均值高斯模型的协方差阵的分布受到约束,以满足马尔可夫性的DAG。我们的模型导致一个自然的定义因果效应有条件地对一个给定的DAG。由于生成观测值的DAG是未知的,我们提出了一种有效的MCMC算法,其目标是DAG空间上的后验分布,浓度矩阵的Cholesky参数,以及将响应连接到潜伏期的阈值。我们的最终结果是一个贝叶斯模型平均估计的因果关系,其中包括参数,以及模型,不确定性。该方法进行评估,使用模拟实验和应用于基因表达数据集起源于乳腺癌干细胞。
2020-09-10 stat.ME
Causality for VARMA processes with instantaneous effects: The global Markov property, faithfulness and instrumental variables
本研究在具有瞬时效应的VARMA模型下,研究时间序列的因果性质,包括全局马尔可夫性质、忠实性条件,并开发工具变量回归框架以识别和一致估计总因果效应。
2025-01-22 math.ST stat.TH
Reevaluating Causal Estimation Methods with Data from a Product Release
Microsoft(微软);Microsoft Research(微软研究院)
本文通过新产品发布实验数据评估了因果估计方法的有效性,发现通过精心建模可以准确恢复真实因果效应,为现代高维数据集中的处理效应估计提供了最佳实践。
2026-10-27 econ.EM stat.ME
Conditional Independence Testing via Latent Representation Learning
Applied Artificial Intelligence Institute(应用人工智能研究院);Deakin University(迪肯大学)
检测条件独立性在一些统计和机器学习任务中起着关键作用,特别是在因果发现算法中。在这项研究中,我们介绍了LCIT(基于潜在表征的条件独立性测试)-一种新的非参数的条件独立性测试方法的基础上表示学习。我们的主要贡献包括提出了一个生成框架,在该框架中,为了测试给定Z的X和Y之间的独立性,我们首先学习推断目标变量X和Y的不包含条件变量Z信息的潜在表示。潜变量,然后调查任何显着的剩余的依赖关系,这可以使用传统的偏相关性测试进行。实证评估表明,LCIT在不同的评估指标下始终优于几个最先进的基线,并且能够很好地适应各种合成和真实数据集的非线性和高维设置。
2022-09-04 cs.LG stat.ML
CDFM: Towards a General-Purpose Causal Discovery Foundation Model
School of Computer Science, Guangdong University of Technology, Guangzhou, China(广东技术大学计算机科学学院);College of Mathematics and Computer, Shantou University, Shantou, China(汕头大学数学与计算机学院);Department of Computer Science and Technology, Tsinghua University, Beijing, China(清华大学计算机科学与技术系)
研究针对因果发现中特定数据集方法的局限,提出通用框架CDFM,通过研究因果可识别性理论边界构建变分框架,将未知因果机制视为潜在变量,经大量合成模型预训练,性能优于传统算法,推动因果发现范式转变。
2026-07-14 cs.AI cs.LG stat.ML
LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data
School of Software Engineering, Beijing Jiaotong University(北京交通大学软件学院);Department of Computer Science, Hong Kong Baptist University(香港浸会大学计算机科学系);Department of Electrical and Computer Engineering, University of Alberta(阿尔伯塔大学电气与计算机工程系)
针对时间序列因果DAG发现现有方法可扩展性差的问题,提出基于准极大似然评分的LOCAL方法,结合ACML和DGPL模块提升效率与可解释性,实验证明其性能显著优于现有方法。
2025-03-20 cs.AI cs.LG stat.ML
Induced Covariance for Causal Discovery in Linear Sparse Structures
Virginia Tech(弗吉尼亚理工大学)
针对线性稀疏因果结构,本文提出利用结构矩阵的数据重构能力及其诱导的统计性质识别 DAG,无需独立性检验或图拟合,并在有限数据仿真中优于 PC、GES、BIC 精确搜索和 LINGAM 方法。
2024-10-02 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
dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data
本文提出非参数 PAG 相容性评分及混合式 dcFCI 算法,以同时应对潜在混杂、经验不忠实性和混合数据,并在合成与真实数据中显著提升真实 PAG 恢复能力。
2025-05-10 cs.AI cs.LG stat.ML
Uncovering Bias Paths with LLM-guided Causal Discovery: An Active Learning and Dynamic Scoring Approach
本文提出一种结合LLM引导的主动学习和动态评分方法,用于在存在噪声和混杂因素时发现公平性相关的因果路径。
2026-01-07 cs.AI cs.LG stat.ML
REX: Causal discovery based on machine learning and explainability techniques
BBVA Madrid, Spain(西班牙BBVA马德里);Instituto de Ciencia de Datos e Inteligencia Artificil (DATAI)(数据与人工智能研究所);University of Navarra(纳瓦拉大学);Tecnun, University of Navarra(纳瓦拉大学技术学院)
本文提出ReX,一种结合机器学习与Shapley值可解释性技术的因果发现方法,在合成数据和Sachs数据集上优于现有方法,精确度达0.952,能准确恢复因果结构并减少假阳性。
2025-10-17 cs.LG
On the Graphical Rules for Recovering the Average Treatment Effect Under Selection Bias
Yale School of Public Health(耶鲁大学公共卫生学院);Yale University School of Medicine(耶鲁大学医学院)
本文提出了一种新的图示规则和方法,用于处理选择偏差下恢复平均处理效应的两种特殊情况,通过g计算和IPW方法构建识别公式并验证其有效性。
2026-08-16 stat.ME
Distributional Causal Mediation via Conditional Generative Modeling
提出分布因果中介分析框架,通过条件生成模型学习中介变量和结果变量的条件分布,利用蒙特卡洛前向模拟重建干预结果分布,捕捉能量距离和Wasserstein距离等分布对比,并推导误差传播界限。
2026-06-28 cs.LG stat.ML
Unifying Causal Representation Learning with the Invariance Principle
Institute of Science and Technology Austria(奥地利科学技术研究所)
本文指出许多因果表示学习方法实质上是通过与数据内在对称性对齐的不变性原理来识别因果变量,据此提出一种可混合搭配不同假设的统一方法,并在真实高维生态数据上提升了处理效应估计效果。
2025-03-05 cs.LG stat.ML
Sample-Specific Root Causal Inference with Latent Variables
根本原因分析旨在确定导致不希望的结果的初始扰动集。在之前的工作中,我们使用预测结构方程模型中诊断的外源误差项来定义特定于样本的疾病根本原因。我们使用Shapley值严格量化预测性。然而,用于推断根本原因的相关算法假设没有潜在的混杂。我们通过允许预测变量之间的混杂来放松这一假设。然后,我们介绍了一个相应的程序,称为提取误差与潜在的(EEL)恢复的误差项污染的顶点在某些路径下的线性非高斯非循环模型。EEL还确定了快速计算Shapley值的相关误差的最小集合。该算法绕过了在这两种情况下估计潜在的因果图的困难问题。实验突出了优越的准确性和鲁棒性的EEL相对于它的前辈。
2022-10-27 cs.LG stat.AP stat.ML
CITRIS: Causal Identifiability from Temporal Intervened Sequences
University of Amsterdam(阿姆斯特丹大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Qualcomm AI Research(高通人工智能研究院)
从视觉观察中理解动力系统的潜在因果因素被认为是复杂环境中智能体推理的关键一步。在本文中,我们提出了CITRIS,一个变分自编码器框架,学习因果关系表示的图像中,潜在的因果因素可能被干预的时间序列。与最近的文献相比,CITRIS利用时间性和观察干预目标来识别标量和多维因果因素,如3D旋转角度。此外,通过引入规范化流程,CITRIS可以很容易地扩展到利用和解开已经预训练的自动编码器获得的表示。扩展以前的结果标量因果因素,我们证明了可识别性在一个更一般的设置,其中只有一些组件的因果因素的干预措施的影响。在3D渲染图像序列的实验中,CITRIS在恢复潜在的因果变量方面优于以前的方法。此外,使用预训练的自动编码器,CITRIS甚至可以推广到因果因素的不可见实例,为因果表示学习的模拟到真实泛化开辟了未来的研究领域。
2022-06-15 cs.AI cs.LG stat.ME
Sample Complexity of Causal Identification with Temporal Heterogeneity
本文研究了在时间异质性条件下因果图恢复的样本复杂性,通过整合时间结构与环境异质性,提出了统一的可识别性条件,并揭示了厚尾分布下统计恢复的限制。
2026-02-06 cs.LG stat.ML
MetaCaDI: A Meta-Learning Framework for Causal Discovery from Multiple Environments with Unknown Interventions
Nara Institute of Science and Technology(奈良科学技术大学);NTT Communication Science Laboratories(NTT通信科学实验室)
针对复杂系统因果机制发现难题,MetaCaDI将未知干预识别转化为元学习问题,利用联合学习因果图,通过解析自适应绕过梯度优化,在多环境学习共享因果结构,实验证明其在少样本干预目标识别中表现优异。
2026-07-07 cs.LG stat.ML