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
Initial Results for Pairwise Causal Discovery Using Quantitative Information Flow
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）
成对因果发现是从成对的变量中确定因果关系、反因果关系、混杂关系或独立关系的任务。在过去的几年里，这项具有挑战性的任务不仅促进了旨在解决任务的新型机器学习模型的发现，而且还促进了关于学习变量的因果方向如何使机器学习整体受益的讨论。在本文中，我们表明，定量信息流（QIF），通常用于测量从系统到攻击者的信息泄漏的措施，显示出有前途的结果作为任务的功能。特别是，与现实世界的数据集的实验表明，QIF是统计绑定到最先进的状态。我们的初步结果激励进一步查询QIF如何与因果关系，它的局限性是什么。
2022-12-02 cs.IT cs.LG math.IT
Order-based Causal Discovery for Multistage Processes
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology（韩国科学技术院工业与系统工程系）
针对多阶段过程中现有因果发现方法的不足，提出基于顺序的因果发现方法OCDM。通过结合过程知识和新算法推断因果结构，并用新剪枝技术消除伪边，实验证明其优于现有方法。
2026-07-07 cs.AI cs.LG
Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
Fujitsu Limited（富士通公司）；TU Dresden（德累斯顿工业大学）
该研究探索LLMs在数据驱动因果发现中的潜力，通过成对提示和基于BFS的提示策略整合观测数据，实验显示其F1分数最多提高0.11分且优于传统基线最多0.52分，为LLM驱动的因果发现奠定基础。
2025-04-15 cs.AI cs.LG
Relational Causal Discovery with Latent Confounders
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Pinterest, Inc.（Pinterest公司）；Adobe Research（Adobe研究）
针对关系数据中存在潜在混杂因子的因果发现问题，提出可靠且完备的算法 RelFCI，基于 FCI 和 RCD 定义新图模型，并在理论和实验上验证了其有效性。
2025-11-03 cs.AI cs.LG
Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms?
Korea University（高丽大学）；UNIST（蔚山科学技术院）；LG AI Research（LG AI研究院）；Seoul National University（首尔大学）；SNU-LG AI Research Center（首尔大学-LG AI研究中心）
本文提出一种新框架，通过初始化邻接矩阵和引入正则化，将PLM提取的先验知识与因果发现算法相结合，克服了PLM在因果发现中过度依赖提示设计的局限并提升了性能。
2023-11-19 cs.AI cs.LG
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
Linear Causal Discovery with Interventional Constraints
纳入因果知识和机制对于完善因果模型和改进下游任务（例如设计新治疗方法）至关重要。在本文中，我们引入了一个新的概念，在因果发现，称为介入约束，这从根本上不同于介入数据。虽然干预性数据需要变量的直接扰动，但干预性约束以因果效应的不等式约束的形式对高层次的因果知识进行编码。例如，在Sachs数据集中（Sachs et al.\ 2005年），Akt已被证明是由PIP3激活，这意味着PIP3对Akt发挥积极的因果作用。现有的因果发现方法允许强制执行结构约束（例如，需要从PIP3到Akt的因果路径），但它们仍然可能产生不正确的因果结论，例如学习“PIP3抑制Akt”。干预约束通过明确约束变量对之间的总因果效应来弥合这一差距，确保学习模型尊重已知的因果影响。为了形式化干预约束，我们提出了一个度量来量化线性因果模型的总因果效应，并将问题制定为约束优化任务，使用两阶段约束优化方法求解。我们在真实世界的数据集上评估了我们的方法，并证明了整合干预性约束不仅提高了模型的准确性，确保了与已有发现的一致性，使模型更易于解释，而且还有助于发现新的因果关系，否则识别成本很高。
2025-10-30 cs.AI cs.LG
Embracing the black box: Heading towards foundation models for causal discovery from time series data
Friedrich Schiller University Jena（弗里德里希·席勒耶拿大学）
针对现有时间序列因果发现方法不支持端到端学习的问题，提出因果预训练方法，通过监督学习直接映射多元时间序列至因果图，发现其性能随数据和模型规模增加而提升，为因果发现基础模型提供了可能性。
2024-02-14 cs.AI cs.LG
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
Local Causal Discovery for Statistically Efficient Causal Inference
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）；Saarland University（萨尔大学）
本文提出LOAD方法，结合局部方法的高效性与全局方法的统计最优性，实现高效准确的因果调整集发现。
2026-03-31 cs.AI cs.LG stat.ML
Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
University of Bath（巴斯大学）
研究针对具有方向性链式结构的系统，提出通过阻断干预识别因果结构的方法，实现有限样本下的准确估计。
2026-04-03 cs.AI cs.LG
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers，含多区域河流流量数据与因果真值图，可生成多样基准测试，助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
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
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；ÉTS Montréal（蒙特利尔高等技术学院）
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而，学习这样的表示是非常具有挑战性的。因此，我们制定了从高维数据中学习因果表示的问题，并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型，解码器BCD，贝叶斯因果发现，并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素，并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Collaborative Causal Discovery with Atomic Interventions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们引入了一个新的协作因果发现问题，通过该问题，我们模拟了一个常见的场景，其中我们有多个独立的实体，每个实体都有自己的因果图，目标是同时学习所有这些因果图。我们研究这个问题没有因果充分性假设，使用最大祖先图（MAG）模型的因果图，并假设我们有能力积极执行独立的单顶点（或原子）干预的实体。如果$M$底层（未知）的因果图的实体满足聚类的自然概念，我们给出算法，利用这个属性，并恢复所有的因果图使用大致对数的$M$原子干预每个实体。这些显著少于分别学习每个因果图所需的每个实体的$n$原子干预，其中$n$是因果图中可观察节点的数量。我们补充我们的结果与下限，并讨论我们的合作设置的各种扩展。
2021-06-06 cs.AI cs.LG
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne（墨尔本大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Peking University（北京大学）；Adelaide University（阿德莱德大学）；Hong Kong Baptist University（香港浸会大学）；The University of Sydney（悉尼大学）；Carnegie Mellon University（卡内基梅隆大学）
提出因果集成智能体（CEA）框架，通过线性意见池聚合不同层次的统计因果发现结果，并利用大语言模型（LLM）作为元裁判在决策边界附近动态重加权专家，从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Causal Discovery for Manufacturing Domains
Robert Bosch LLC（罗伯特·博世有限责任公司）
产量和质量的提高对任何制造公司都至关重要。提高产量的方法之一是通过发现影响产量的根本原因。我们建议使用数据驱动的可解释的因果模型来确定影响产量的关键因素。我们专注于在产品制造周期的不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从这条线收集的真实数据。具体来说，这项工作的目标是从生产线产生的观测数据中学习可解释的因果模型。重点已经给出了模型的可解释性，使他们在制造领域的行动。我们强调了装配线数据带来的挑战，并提出了缓解这些挑战的方法。我们还确定了源自装配线的数据的独特特征，以及如何利用它们来改善因果发现。因果结构学习的标准评估技术表明，学习的因果模型似乎密切代表了生产过程中不同因素之间的潜在因果关系。这些结果也得到了制造领域专家的验证，他们认为这些结果很有前途。这项工作演示了如何数据采掘和知识发现可以用于根本原因分析领域的制造业和连接的行业。
2016-06-13 cs.AI cs.LG
Investigating Sindy As a Tool For Causal Discovery In Time Series Signals
Drexel University（德雷塞尔大学）
SINDy算法已成功地用于从时间序列数据中辨识动力系统的控制方程。在本文中，我们认为，这使得SINDy的一个潜在的有用的工具，因果关系的发现和现有的工具，因果关系的发现可以用来显着提高性能的SINDy作为工具，强大的稀疏建模和系统辨识。然后，我们实证表明，增强的SINDy算法与因果发现的工具，可以为工程师提供一个学习因果关系强大的控制方程的工具。
2022-12-29 cs.LG stat.ME
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院）；Zhili College, Tsinghua University, Beijing, China（清华大学哲利学院）
本文提出Tree-Query框架，通过多专家LLM和对抗性置信度估计，实现透明、可解释的因果发现，提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
Supervised Whole DAG Causal Discovery
Iowa State University（爱荷华州立大学）
我们建议以监督的方式解决从数据中学习因果结构的任务。现有的监督学习学习因果方向的工作局限于学习两两关系，不适合整个DAG发现。我们提出了一种新的方法建模的整个DAG结构发现作为一个监督学习。为了适合手头的问题，我们建议使用排列等变模型，以及对齐的问题域。我们广泛评估所提出的方法在大小为10，20，50，100的合成图和真实数据上，并与各种以前的方法相比，显示出有前途的结果。
2020-06-08 cs.AI cs.LG stat.ML
Deep Causal Learning: Representation, Discovery and Inference
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Peking University（北京大学）
本文全面综述了深度学习如何通过表示、发现和推断三个维度解决传统因果学习的高维变量、未观测混杂因素等挑战，强调其对推进因果科学理论与应用的关键作用。
2024-07-30 cs.AI cs.LG
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
Causal Discovery by Interventions via Integer Programming
Arizona State University（亚利桑那州立大学）；University of Pittsburgh（匹兹堡大学）
本文针对观测因果发现受混杂变量限制的问题，提出利用整数规划设计最小干预集，以保证因果结构可辨识，并通过多场景比较验证了方法的适用性与稳健性。
2024-12-02 cs.AI cs.LG stat.ML
CausalArena: Benchmarking Causal Discovery in the Foundation Model Era
School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
CausalArena提出统一可演进的基准，通过合成、语义操作和公式基础SCMs及真实数据评估因果发现，揭示跨基准性能不可迁移，强调多样性与预训练重叠挑战。
2026-09-11 cs.LG
Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining
East China Normal University（东华师范大学）
提出PTCD框架，通过上下文条件建模和可迁移因果增强的预训练范式，提升跨任务时间序列因果发现的泛化能力，在多个真实OOD数据集上因果发现和根因识别表现优异。
2026-06-15 cs.LG
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
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
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
Ordering-based Causal Discovery via Generalized Score Matching
Monash University（墨尔本大学）；CSIRO’s Data61（CSIRO的数据61）
本文提出了一种基于通用分数匹配的因果发现方法，通过引入离散分数函数的叶判别准则，实现了对离散数据中真实因果顺序的准确推断，并提升了现有因果发现方法的准确性。
2026-07-28 cs.AI cs.LG
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
Cluster-Dags as Powerful Background Knowledge For Causal Discovery
Technical University Munich（慕尼黑技术大学）；Helmholtz Munich（海德堡-慕尼黑研究所）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出利用簇DAGs作为先验知识框架，改进因果发现算法，通过模拟数据验证其在高维和复杂依赖下的优越性。
2026-08-27 cs.AI cs.LG stat.ML
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
Causal-Discovery Performance of ChatGPT in the context of Neuropathic Pain Diagnosis
KTH Royal Institute of Technology（KTH皇家理工学院）；Microsoft Research（微软研究院）
ChatGPT在自然语言对话方面表现出了卓越的能力，例如，它可以回答广泛的问题，而以前的大语言模型不能。因此，我们希望通过使用因果发现中的医学基准（Tu et al. 2019）来推动其极限并探索其回答因果发现问题的能力。
2023-02-06 cs.CL cs.LG
From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables
Zongyu Li（李宗宇）
本文提出L2C框架，通过自动发现局部因果模式来实现集群层面的因果发现，无需假设因果充分性，理论分析证明其正确性与效率，实验验证其在合成和真实数据中优于现有方法。
2026-08-12 cs.AI cs.LG
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
Typing assumptions improve identification in causal discovery
Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；Samsung AI Center Montreal（三星蒙特利尔人工智能中心）
从观测数据中发现因果关系是一项具有挑战性的任务，只能解决一组等价的解决方案，称为等价类。这样的类，这往往是大的尺寸，编码的不确定性的因果图中的一些边缘的方向。在这项工作中，我们提出了一套新的假设，约束可能的因果关系的基础上的变量的性质，从而限制等价类。也就是说，我们引入类型有向无环图，其中变量类型用于确定因果关系的有效性。我们证明，无论是理论和经验，所提出的假设可以导致显着的收益在因果图的识别。我们还提出了因果发现算法，利用这些假设和模拟和伪真实数据证明其好处。
2022-02-28 cs.AI cs.LG stat.ML
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
Interpretable Causal Discovery via Causal-Effect Constraints
Yale University（耶鲁大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
该研究将条件因果发现转化为贝叶斯推理问题，采用稀有事件估计技术解决小后验质量事件的计算挑战，经合成图和Sachs蛋白质数据集验证了方法的准确性与辅助科学探索的作用。
2026-09-24 cs.AI cs.LG stat.ML
IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data
Monash University（莫纳什大学）；Microsoft Research, India（微软研究院，印度）
IRIS框架结合统计与LLM方法，从初始变量自动收集文档、提取变量并发现已知及新因果关系，同时识别缺失变量扩展因果图，实现无需预存数据的实时因果发现。
2025-10-10 cs.CL cs.LG
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
DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery
College of Computer Science and Technology（计算机科学与技术学院）
提出DCD-PFN基础模型，通过预训练学习样本级解耦权重实现马尔可夫边界识别，并利用并行局部发现高效重构全局因果图，在零样本泛化中表现鲁棒。
2026-06-23 cs.LG
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery
Nanjing University（南京大学）
提出TabCausal，一种通过动态任务构建策略在多样化因果环境中进行大规模预训练的因果发现基础模型，在合成和语义基准上优于现有方法。
2026-08-19 cs.LG
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
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
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
Learning to Defer for Causal Discovery with Imperfect Experts
University of Oxford（牛津大学）；Mila – Quebec Artificial Intelligence 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）；University of Amsterdam（阿姆斯特丹大学）；Université Laval（拉瓦尔大学）
本文提出 L2D-CD，通过学习弃权函数在经典数据驱动因果发现与不完美专家建议间自适应选择，在 Tübingen pairs 上取得优于二者单独使用的效果。
2025-02-18 cs.AI cs.LG stat.ML
Efficient Causal Graph Discovery Using Large Language Models
Mila, Université de Montréal（蒙特利尔大学Mila研究所）；Mila, McGill University（麦吉尔大学Mila研究所）
本文提出一种利用大语言模型进行完整因果图发现的新框架，通过广度优先搜索方法提高效率，并展示其在不同规模真实因果图上的最佳性能。
2026-04-02 cs.AI cs.LG stat.ME
Causal discovery in a complex industrial system: A time series benchmark
Lund University（隆德大学）；The European Spallation Source（欧洲散裂中子源）
本文提出一个来自欧洲散裂中子源工业子系统的时间序列因果发现基准数据集，并配套专家知识构建的因果图，用于评估和促进复杂系统因果发现方法的发展。
2023-10-28 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
