Diffusion as a Training Curriculum for Timestep-Free Iterative Reasoning
University of Geneva（日内瓦大学）；McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；CIFAR（加拿大高级研究所）
该研究通过为扩散去噪器添加持久隐藏状态、移除时间步长条件，提出一种随时可用的迭代推理求解器，在极端数独、唯一迷宫上取得高求解率，核心是利用扩散的去噪训练课程。
2026-10-15 cs.LG
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
A Hybrid Anytime Algorithm for the Constructiion of Causal Models From Sparse Data
University of Pittsburgh（匹兹堡大学）
我们提出了一个混合约束为基础的/贝叶斯算法学习因果网络中存在的稀疏数据。该算法搜索空间的等价类的模型（基本图），使用传统的基于约束的技术的基础上的启发式。然后将每个基本图转换为有向非循环图，并使用贝叶斯评分度量进行评分。该算法的两个变种的开发和测试使用的数据从随机生成的网络的大小从15到45个节点的数据大小范围从250到2000记录。这两种变化进行了比较，并发现始终优于两个变化的贪婪搜索与重新启动。
2013-01-23 cs.AI
Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出迭代识别闭合框架，通过迭代反馈机制提升线性SEM中因果效应系数的可识别性，有效解决传统HTC方法无法处理的' inconclusive'因果效应问题。
2026-10-27 cs.LG stat.CO stat.ML
Iterative Causal Discovery: Per-Edge Impossibility Certificates, Tier-Aware Oracle Queries, and the $1+K$ Lower Bound
aflo, Inc.（aflo公司）
提出一种迭代因果发现协议，通过为每条候选边分配不可能性证书（RESOLVED/IMPOSSIBLE代码）和五层门控可识别性层级（LSNM、IGCI、Stein、MDL、PEIT），结合两种Oracle原语（元枢纽查询和子节点查询），在理想Oracle假设下实现了最多$1+K$次专家交互即可恢复任意DAG的上界。
2026-05-26 cs.LG stat.ML
Revealing Multimodal Causality with Large Language Models
University of Technology Sydney（技术大学悉尼大学）；Tongji University（同济大学）；University of Melbourne（墨尔本大学）；University of Sydney（悉尼大学）；Macquarie University（麦考瑞大学）
针对多模态大模型在因果发现中难以识别因果变量和处理结构模糊性的问题，提出MLLM-CD框架，通过对比因子发现、统计因果结构发现和迭代多模态反事实推理模块，有效揭示多模态非结构化数据中的真实因子及因果关系。
2025-10-30 cs.AI cs.LG
Heterophilic Graph Neural Networks Optimization with Causal Message-passing
Hong Kong University of Science and Technology（香港科技大学）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Huawei Technologies Co., Ltd（华为技术有限公司）
本研究提出利用因果推理捕捉异质性图神经网络的消息传递，通过干预式因果推理简化分析并构建CausalMP网络，在链路预测和节点分类任务中均实现了更优性能。
2024-11-27 cs.AI cs.LG stat.ML
Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
University College Dublin（都柏林大学学院）；University of Copenhagen（哥本哈根大学）
FLOP算法通过快速父节点选择和迭代Cholesky更新，实现了高效的因果结构学习，显著提升了离散搜索在因果发现中的应用效果。
2026-02-27 cs.AI cs.LG stat.ME
Causal Discovery from Incomplete Data: A Deep Learning Approach
Eindhoven University of Technology（埃因霍温理工大学）；Massachusetts Institute of Technology（麻省理工学院）
随着人工智能的发展，系统变得越来越自治，从观察的感官输入中发现因果知识是很重要的。通过编码事件之间的一系列因果关系，因果网络可以帮助预测给定行为的影响，并分析其潜在的数据生成机制。然而，缺失数据在实际场景中普遍存在。直接对部分观测数据执行现有的偶然发现算法可能导致不正确的推断。为了缓解这个问题，我们提出了一个深度学习框架，称为插补因果学习（ICL），来执行迭代缺失数据插补和因果结构发现。通过对合成数据和真实数据的广泛模拟，我们表明ICL在不同的缺失数据机制下都可以优于最先进的方法。
2020-01-15 cs.LG stat.ML
Causal Structure Learning in Hawkes Processes with Complex Latent Confounder Networks
University of California San Diego（加州大学圣地亚哥分校）
本文提出了一种两阶段迭代算法，用于在具有复杂潜在混杂网络的Hawkes过程中学习因果结构，通过路径条件保证可识别性，并在合成和真实数据上验证了方法的有效性。
2026-03-02 cs.LG stat.ML
Invariant Structure Learning for Better Generalization and Causal Explainability
Google Cloud AI（谷歌云人工智能）；University of Southern California（南加州大学）
学习数据背后的因果结构对于提高泛化能力和获得高质量的解释是非常宝贵的。我们提出了一个新的框架，不变结构学习（ISL），旨在提高因果结构发现利用泛化作为指示。ISL将数据分割到不同的环境中，并通过施加一致性约束来学习在不同环境中对目标不变的结构。然后，聚合机制基于图结构选择最佳分类器，该图结构与从各个环境中学习的结构相比更准确地反映了数据中的因果机制。此外，我们将ISL扩展到自监督学习设置，其中准确的因果结构发现不依赖于任何标签。这种自监督ISL通过迭代地将不同的节点设置为目标来利用不变的因果关系提案。在合成和真实世界的数据集上，我们证明了ISL准确地发现了因果结构，优于其他方法，并为具有显著分布偏移的数据集提供了优越的泛化能力。
2022-06-13 cs.LG stat.ML
Causal Order Discovery based on Monotonic SCMs
Simon Fraser University（西蒙菲莎大学）
针对单调 SCM 的因果顺序发现问题，提出迭代检测根变量的序贯方法，无需稀疏假设、复杂优化或多次独立性检验即可识别唯一 SCM。
2024-10-24 cs.LG stat.ML
Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding
fedCI-IOD通过联邦学习在潜在混杂因素下实现跨异构数据集的因果发现，提升统计功效并保护隐私。
2026-03-05 cs.AI cs.LG stat.ML
Causal Discovery in Equal Variance Linear Gaussian DAGs via SURE-Tuned Ridge Regression
University of Southern California（南加州大学）
针对因果发现中连续优化方法难以适配样本有限、计算有限场景的问题，提出SURE-Ridge方法，在小样本下结构汉明距离最低且所有样本量下运行时间最短。
2026-08-19 cs.LG eess.SP stat.ML
Bayesian Intervention Optimization for Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）；BIGAI（北京智源人工智能研究院）
针对主动因果发现中干预选择未面向决策的问题，提出受贝叶斯因子启发的贝叶斯优化方法，通过估计假设模型、预评估干预并迭代更新先验，提高获得决定性正确证据的概率。
2024-06-16 cs.LG stat.ML
Decoupled Causal Discovery
College of Computer Science and Technology（计算机科学与技术学院）；Zhejiang University（浙江大学）
提出解耦因果发现（DCD），通过加权解耦识别马尔可夫边界并迭代构建CPDAG，无需传统假设，理论完备且在噪声环境下性能优异。
2026-09-22 cs.LG stat.ML
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University（耶鲁大学生物统计学系）；Department of Statistics, Stanford University（斯坦福大学统计学系）
CausalBGM通过学习个体特定的低维潜在特征集，提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
针对观测表格数据因果发现难题，提出DAG-FM基础模型，通过自回归阶段、表格交互块及叶专家混合处理复杂情况，经迭代推理构建DAG，在合成及真实数据集上性能优于传统算法和其他模型。
2026-08-04 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
The stratified micro-randomized trial design: sample size considerations for testing nested causal effects of time-varying treatments
移动设备和可穿戴传感器领域的技术进步有助于克服护理提供方面的障碍，使随时随地提供行为治疗成为可能。这些治疗的提供越来越多地由可能受到先前治疗影响的风险或参与的预测触发。此外，治疗通常被设计为在一段时间内对个体产生影响，在此期间可以提供后续治疗。在这里，我们讨论了我们的工作设计的移动健康戒烟实验研究，其中出现了两个挑战。首先，治疗的随机化应该发生在压力的时候，其次，在一段时间内，可能包括随后的治疗，利息的结果累积。为了应对这些挑战，我们开发了“分层微随机试验”，在该试验中，每个个体在治疗中随机分配，时间由从结果到先前治疗的预测确定，随机分配概率取决于这些结果。我们定义了条件性和边缘性近端处理效应。根据科学目标，这些影响可以在一段时间内定义，在此期间可以提供后续治疗。我们开发了一个主要的分析方法和相关的样本量公式来检验这些影响。
2017-11-09 stat.AP
Causal Discovery on Dependent Binary Data
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对观测单元间存在依赖性的二元数据因果发现问题，本文提出基于潜在效用模型和协方差估计的去相关方法，通过类EM算法生成去相关样本，使标准因果发现方法能更准确地学习因果图，并在合成与真实数据上验证了其有效性。
2024-12-28 cs.LG stat.ME stat.ML
Identifying Drift, Diffusion, and Causal Structure from Temporal Snapshots
University of British Columbia（不列颠哥伦比亚大学）；University of Melbourne（墨尔本大学）
本文提出了一种从时间边际联合识别SDE漂移和扩散的方法，证明了非识别性仅在初始分布具有广义旋转对称性时发生，并展示了因果图可从SDE参数中恢复。
2026-11-09 cs.LG math.ST stat.ML
Fast Causal Orientation Learning in Directed Acyclic Graphs
Sharif University of Technology（谢里夫理工大学）
一组变量之间的因果关系通常由有向无环图表示。因果DAG中的一些边缘的方向可以从观察/干预数据中发现。可以通过迭代地应用所谓的Meek规则来定向另外的边缘。因果定向学习是因果发现任务中的一个常见问题。在这些任务中，通常需要解决多个COL问题，因此应用Meek规则可能非常耗时。受Meek规则的启发，我们引入了Meek函数，可以用来解决COL问题。特别是，我们表明，这些功能有一些理想的属性，使我们能够加快应用Meek规则的过程。特别是，我们提出了一个基于动态规划（DP）的方法来应用Meek函数。此外，基于所提出的DP方法，我们提出了一个下界的边缘，可以定向作为干预的结果的数量。我们还提出了一种方法来检查是否有一些定向边缘属于因果DAG。实验结果表明，所提出的方法可以优于以前的工作在几个因果发现任务的运行时间。
2022-05-27 cs.AI cs.DS cs.LG
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
Identification of Causal Direction under an Arbitrary Number of Latent Confounders
School of Computer Science, Guangdong University of Technology（广东技术大学计算机科学学院）；Department of Philosophy, Carnegie Mellon University（卡内基梅隆大学哲学系）；College of Engineering, Shantou University（汕头大学工程学院）；Peng Cheng Laboratory, Shenzhen, China（深圳鹏城实验室）；Mohamed bin Zayed University of Artificial Intelligence（莫扎德大学人工智能大学）
本文针对存在任意数量潜在混杂因子的线性非高斯系统，利用特定构造的联合高阶累积量矩阵的秩亏缺性质，直接识别两观测变量间的因果方向，无需迭代，并验证了其有效性与渐近正确性。
2025-10-26 cs.LG stat.ML
From Observation to Orientation: an Adaptive Integer Programming Approach to Intervention Design
School of Computing and Augmented Intelligence（计算与增强智能学院）；Arizona State University（亚利桑那州立大学）
本文提出一种自适应整数规划干预设计方法，在预算约束下以更少实验次数和变量操作实现完整因果有向无环图恢复，并通过仿真验证其有效性与灵活性。
2025-05-09 cs.LG stat.ML
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
Learning Consistent Causal Abstraction Networks
本文提出了一种基于sheaf理论的因果抽象网络学习方法，通过高斯SCMs和构造性线性因果抽象的转置，实现因果知识的结构化学习与恢复。
2026-02-02 cs.AI cs.LG eess.SP
Compositional Abstraction Error and a Category of Causal Models
University of Strathclyde（思克莱德大学）；University of Copenhagen（哥本哈根大学）
干预因果模型描述了用于描述系统的一些变量的几个联合分布，每个干预设置一个。它们为如何在不同的联合分布之间移动提供了一个正式的处方，并在干预系统时对变量进行预测。然而，很难正式化我们如何改变用于描述系统的底层变量，例如从细粒度变量移动到粗粒度变量。在这里，我们认为，复合性是一个必要的模型转换和相关的错误：当抽象的参考模型M迭代，首先获得M'，然后进一步简化，以获得M“，我们希望从M到M”的复合转换存在，其误差是由每个单独的转换步骤所产生的误差。范畴论，通过它们之间的组合变换来研究数学对象，提供了一种自然语言来开发我们的模型转换和抽象框架。我们引入一类有限的干预因果模型，并利用丰富的类别理论，证明我们的框架所需的组合属性。
2021-08-05 cs.AI cs.LG cs.LO
An Evaluation Toolkit to Guide Model Selection and Cohort Definition in Causal Inference
IBM Research（IBM研究院）；IBM Watson Health（IBM沃森健康）
当随机对照试验不可用时，真实世界的观察数据以及因果推断可用于估计因果效应。为了被实践接受，这种预测模型必须针对手头的数据集进行验证，因此需要一个全面的评估工具包，如本文所介绍的。由于效果估计不能直接评估，我们转向评估因果推断的各种可观察属性，即观察到的结果和治疗分配。我们开发了一个工具包，扩展了现有的机器学习评估方法，并添加了几个特定于机器学习的方法。评估可以应用于交叉验证，训练测试方案或训练数据。在工具包内以允许底层机器学习模型的模块化使用的方式实现多个因果推断方法。因此，工具包对于所使用的机器学习模型是不可知的。我们使用从IBM MarketScan（R）研究数据库中提取的类风湿性关节炎队列（由约12万名患者组成）来展示我们的方法。我们引入了数据定义、模型定义和模型评估的迭代管道。使用这个管道，我们演示了每个评估组件如何帮助驱动模型选择和细化数据提取标准的方式，提供更多的可重复的结果，并确保因果关系的问题是可用的数据回答。此外，我们展示了如何使用评估工具包来确保应用于数据子集时保持性能，从而允许探索走向个性化医疗的问题。
2019-06-02 cs.LG stat.ML
Causality in Video Diffusers is Separable from Denoising
Massachusetts Institute of Technology（麻省理工学院）；Adobe Research（Adobe研究院）；Morpheus AI（Morpheus人工智能）
本文提出可分离因果扩散模型，通过分离时间推理与多步去噪过程，提升视频生成效率并保持生成质量。
2026-02-10 cs.AI cs.CV cs.LG
Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data
CAUSALab（因果实验室）；Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
针对传统参数化NICE G公式估计量易因模型误设产生因果估计偏差的问题，提出基于多任务循环神经网络的深度学习框架，在含不同时间依赖的模拟数据中实现了更低的生存结局因果效应估计偏差，降低了对模型误设的敏感性。
2024-10-28 cs.LG stat.ML
Scalable Time-Series Causal Discovery with Approximate Causal Ordering
Department of Computing（计算系）
本文提出一种省略迭代细化的 VarLiNGAM 启发式近似方法，将时间复杂度从 $O(m^3n)$ 降至 $O(m^2n + m^3)$，在多达 400 变量的金融数据上实现 7--13 倍加速，使大规模时间序列因果发现可在个人计算机上运行。
2025-08-21 cs.DC cs.LG cs.PF
Differentiable Causal Discovery For Latent Hierarchical Causal Models
University of California San Diego（加利福尼亚大学圣迭戈分校）；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）
针对现有因果发现方法在可扩展性与真实场景适用性上的局限，提出非线性潜在分层因果模型可识别性新理论，开发首个相关可微分算法，在准确性、可扩展性及下游任务中表现更优。
2024-11-29 cs.LG
Curious Causality-Seeking Agents Learn Meta Causal World
University of Bristol（布里斯托大学）；Peking University（北京大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, Chinese Academy of Sciences（中国科学院人工智能学院）；University College London（伦敦大学学院）；King Abdullah University of Science and Technology（卡塔尔科技大学）；The Swiss AI Lab, IDSIA-USI/SUPSI（瑞士AI实验室，IDSIA-USI/SUPSI）
本文提出元因果图作为世界模型，并设计因果寻求智能体，通过好奇心驱动的干预策略识别元状态、发现因果关系并迭代优化，实验证明其能稳健捕捉因果动态变化并泛化到新情境。
2025-10-26 cs.AI cs.LG stat.AP
Diffusion Causal Models for Counterfactual Estimation
The University of Edinburgh（爱丁堡大学）
我们认为任务的反事实估计从观测成像数据给定一个已知的因果结构。特别是，用神经网络量化高维数据干预的因果效应仍然是一个开放的挑战。在这里，我们提出了Diff-SCM，这是一个基于生成能量模型最新进展的深层结构因果模型。在我们的设置中，推理是通过对因果模型所涉及的边缘和条件分布的梯度进行迭代采样来执行的。反事实的估计是通过首先推断潜变量与确定性的前向扩散，然后使用反因果预测w.r.t的输入的梯度上的反向扩散过程进行干预。此外，我们提出了一个度量生成的反事实。我们发现Diff-SCM比MNIST数据的基线产生更真实和最小的反事实，也可以应用于ImageNet数据。代码可从https://github.com/vios-s/Diff-SCM获得。
2022-02-21 cs.CV cs.LG
High-recall causal discovery for autocorrelated time series with latent confounders
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）
我们提出了一种新的方法，从观测时间序列中发现线性和非线性，滞后和同期的约束为基础的因果关系存在潜在的混淆。我们发现，现有的因果关系发现方法，如FCI和变种遭受低召回自相关时间序列的情况下，并确定低效果大小的条件独立性测试的主要原因。信息理论的论点表明，效果大小往往可以增加，如果因果父母包括在条件设置。为了尽早确定父母，我们建议一个迭代的过程，利用新的方向规则，以确定祖先的关系已经在边缘去除阶段。我们证明了该方法是序无关的，并且在Oracle情况下是可靠的和完全的。大量的模拟研究不同数量的变量，时间滞后，样本量，并进一步的情况下，证明我们的方法确实实现了更高的召回率比现有的方法的情况下，自相关的连续变量，同时保持在所需的水平误报。这种性能增益随着更强的自相关性而增长。在https://github.com/jakobrunge/tigramite上，我们提供了模拟研究中涉及的所有方法的Python代码。
2021-02-01 cs.LG stat.ME stat.ML
Applications of Common Entropy for Causal Inference
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；The University of Texas at Austin（得克萨斯大学奥斯汀分校）
我们研究的问题，发现最简单的潜变量，可以使两个观察到的离散变量条件独立。这种潜在的最小熵在信息论中被称为公共熵。我们通过最小化潜变量的Renyi熵将这个概念扩展到Renyi公共熵。为了有效地计算公共熵，我们提出了一种迭代算法，可以用来发现潜在变量的熵和观测变量的条件互信息之间的权衡。我们展示了公共熵在因果推断中的两个应用：第一，在没有低熵介质的假设下，它可以用来区分因果关系和伪相关性，几乎所有的联合分布都是在两个观察变量的简单因果图上。第二，公共熵可以用于改进基于约束的方法，例如小样本区域中的PC或FCI算法，其中这些方法已知是困难的。我们提出了一个修改这些约束为基础的方法来评估，如果一个分离的这些算法发现的集合是有效的，使用共同的熵。最后，我们评估我们的算法的合成和真实的数据，以建立他们的性能。
2020-12-05 cs.AI cs.IT cs.LG
Estimating average causal effects from patient trajectories
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；ETH Zurich（苏黎世联邦理工学院）
在医疗实践中，治疗方法的选择是基于对患者结局的预期因果影响。在这里，估计因果效应的金标准是随机对照试验;然而，这样的试验是昂贵的，有时甚至是不道德的。相反，医疗实践越来越有兴趣从电子健康记录（即观察数据）中估计患者（子）组之间的因果关系。在本文中，我们的目的是估计平均因果效应（ACE）的观察数据（患者轨迹），随着时间的推移收集。为此，我们提出了DeepACE：一种端到端的深度学习模型。DeepACE利用迭代G计算公式来调整时变混杂因素引起的偏倚。此外，我们开发了一种新的顺序靶向程序，确保DeepACE具有良好的理论特性，即，具有双重鲁棒性和渐近有效性。据我们所知，这是第一个提出端到端深度学习模型的工作，该模型专为估计随时间变化的ACE而量身定制。我们在大量的实验中比较了DeepACE，证实它达到了最先进的性能。我们还为患有腰痛的患者提供了一个案例研究，以证明DeepACE为临床实践提供了重要和有意义的发现。我们的工作使医生能够根据人群效应制定有效的治疗建议。
2023-01-23 cs.LG stat.CO stat.ML
Multi-omic Causal Discovery using Genotypes and Gene Expression
Department of Informatics（信息学院）
GENESIS算法利用基因型作为因果锚点，通过约束检验推断转录组中的祖先关系，在合成和真实数据上验证，为复杂性状因果通路发现提供新途径。
2025-05-21 cs.LG q-bio.GN
ARCADIA: Scalable Causal Discovery for Corporate Bankruptcy Analysis Using Agentic AI
Department of Economics, Statistics and Business, Universitas Mercatorum, Rome, Italy（经济学、统计学与商业系，墨菲大学，罗马，意大利）；Department of Engineering and Science, Universitas Mercatorum, Rome, Italy（工程与科学系，墨菲大学，罗马，意大利）；Independent Researcher, Bucharest, Romania（独立研究者，布加勒斯特，罗马尼亚）
ARCADIA通过代理AI结合大语言模型和统计诊断，实现企业破产分析中的可扩展因果发现，提供可靠且可解释的因果图模型。
2025-11-30 cs.AI stat.CO stat.ME
Effective Causal Discovery under Identifiable Heteroscedastic Noise Model
Rensselaer Polytechnic Institute（伦斯勒理工学院）；IBM Research（IBM研究院）；Lehigh University（理海大学）
针对因果DAG学习中同方差噪声假设在真实数据中常被违反的问题，本文提出可识别异方差噪声SEM的充分条件，并设计两阶段迭代DAG学习算法，在合成与真实数据上显著优于现有方法。
2024-06-09 cs.AI cs.LG stat.ME
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
Causal Discovery with Latent Confounders Based on Higher-Order Cumulants
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Shantou University（汕头大学）；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）
本文利用高阶累积量给出单潜在成分结构下过完备独立成分分析的闭式解，提出可检验条件识别潜在变量并确定因果顺序，进而扩展到多潜在成分结构，实现带潜在混杂因素的因果结构学习。
2023-05-31 cs.AI cs.LG stat.ME
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
Aalto University（艾罗大学）；University of Melbourne（墨尔本大学）；Manchester University（曼彻斯特大学）；Ellis Institute（埃利斯研究所）
本文提出基于贝叶斯实验设计原则和变分混合结构学习方法，用于处理异质领域的因果发现问题，通过专家反馈构建信息图先验，提升异质合成数据的结构学习性能，并在乳腺癌数据库中捕捉复杂分布。
2026-04-29 cs.LG stat.ME
What Should We Measure Next? Finding Identification Strategies by Refining Mechanisms
本文研究部分设定因果模型中的迭代识别问题，给出观测拦截直接效应或混杂路径的变量能使不可识别查询可识别的充分必要条件图条件，并提出高效算法定位所有此类机会，帮助分析者导航模型空间。
2026-10-09 stat.ME
Improving Weakly Supervised Sound Event Detection with Causal Intervention
Peking University（北京大学）；Xiaomi Corporation（小米集团）
现有的弱监督声音事件检测（WSSED）工作没有同时探索两种类型的同现，即，一些声音事件经常同时出现，并且它们的出现通常伴随着特定的背景声音，因此它们将不可避免地纠缠在一起，从而导致仅使用剪辑级监督的错误分类和有偏差的定位结果。为了解决这个问题，我们首先建立了一个结构因果模型（SCM），揭示了上下文是同现混淆因素的主要原因，这些混淆因素会误导模型学习帧和剪辑级标签之间的虚假相关性。在因果分析的基础上，提出了一种因果干预（CI）方法，通过迭代累积每个类的所有可能上下文，然后将上下文重新投影到帧级特征，使事件边界更清晰，从而消除WSSED中同现混淆的负面影响.实验表明，该方法有效地提高了多数据集上的性能，并可以推广到各种基线模型。
2023-03-10 cs.LG cs.SD eess.AS
A Law of Iterated Expectation Primer for Causal Inference
Emory University（埃默里大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）
本文介绍迭代期望定律及其在因果效应识别中的应用，通过g公式的两种非参数等价形式（NICE和ICE）和三个数值示例阐明其数学直觉。
2026-10-02 stat.OT
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
Online Identification of IT Systems through Active Causal Learning
KTH Royal Institute of Technology, Sweden（皇家理工学院）
本文提出首个基于主动因果学习的在线数据驱动方法，用于识别IT系统因果模型，通过高斯过程回归和基于展开的干预策略，实现准确识别且低干扰。
2025-09-07 cs.DC cs.LG cs.NI
InferenceEvolve: Towards Automated Causal Effect Estimators through Self-Evolving AI
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学彭博公共卫生学院）；Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
本文提出InferenceEvolve框架，利用大语言模型发现并迭代优化因果方法，在多个基准测试中优于现有方法，展示了语言模型引导的进化在因果推断中的潜力。
2026-04-05 cs.AI cs.CE stat.AP
Causal Gradient Boosting: Boosted Instrumental Variable Regression
文献中的最新进展表明，标准的监督学习算法是不适合的问题与内生解释变量。为了校正内参数偏差，已经开发了许多非参数工具变量回归方法的变体。在本文中，我们提出了一种替代算法称为boostIV，建立在传统的梯度增强算法，并纠正了内循环的偏见。该算法非常直观，类似于标准2SLS估计量的迭代版本。此外，我们的方法是数据驱动的，这意味着研究人员不必对目标函数近似的形式或工具的选择做出立场。我们证明了我们的估计是一致的温和的条件下。我们进行了广泛的蒙特卡罗模拟，以证明我们的算法相比，其他最近开发的方法的有限样本性能。我们表明，boostIV是在最坏的水平与现有的方法，平均显着优于他们。
2021-01-15 econ.EM stat.ML
Optimization-Free Topological Sort for Causal Discovery via the Schur Complement of Score Jacobians
School of Computer Science and Engineering（计算机科学与工程学院）；University of Science and Technology of China（中国科学技术大学）
本文提出无需优化的拓扑排序方法，通过Schur补提取生成模型中的拓扑顺序，解决因果发现中的非凸优化问题，提升高维场景下的可扩展性。
2026-04-28 cs.LG
Causal Modeling of Adverse Pregnancy Outcomes via Adaptive LLM Proposals
The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Technical University of Darmstadt（达姆施塔特工业大学）；Swarthmore College（斯沃斯莫尔学院）；Indiana University School of Medicine（印第安纳大学医学院）；Hessian Center for Artificial Intelligence（黑森人工智能中心）；German Research Center for AI (DFKI)（德国人工智能研究中心（DFKI））
本文提出神经符号框架，将LLM作为自适应提议分布，结合其先验知识与数据经验评分，在真实临床数据集上建模APOs，恢复专家验证边并识别新因果关系，为干预提供新见解。
2026-08-24 cs.LG
