Causal Discovery with a Mixture of DAGs
Vanderbilt University Medical Center（范德比尔特大学医学中心）
生物医学中的因果过程可能包含周期，随着时间的推移而演变或在人群之间存在差异。然而，许多图形模型不能适应这些条件。我们建议使用有向循环图（DAG）的混合物来建模因果关系，其中人口中的联合分布在任何单个时间点都遵循DAG，但在时间上可能不同的DAG。我们还介绍了一种算法，称为因果推断混合，使用纵向数据来推断一个图形，总结了从混合的DAG产生的因果关系。实验表明，与现有方法相比，性能有所改善。
2020-09-05 cs.LG stat.AP stat.ML
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
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
CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models
Columbia University（哥伦比亚大学）；kausable GmbH（kausable公司）；Aeolus Labs（Aeolus实验室）
针对动态系统因果发现中现有方法局限于确定性、低维和弱非线性数据的问题，本文提出大规模基准CausalDynamics，提供可扩展的数据生成框架，并全面评估了最先进的因果发现算法，以推动动态因果模型结构发现的发展。
2025-10-10 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
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
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 comprehensive study on causal discovery between degradation paths
School of Reliability and Systems Engineering, Beihang University（北京航空航天大学可靠性与系统工程学院）；Energy Department, Politecnico di Milano（米兰理工大学能源系）；Centre de Recherche sur les Risques et les Crises (CRC), MINES Paris-PSL University（巴黎矿业大学风险与危机研究中心）
本文通过因果分析研究降级路径间的依赖关系，提出基于降级增量的因果发现策略，并通过数值实验和工程应用验证其有效性，发现稳定Peter-Clark和贪心等价搜索在准确性上表现优异。
2026-04-12 stat.AP
LNML-based Causal Discovery with Latent Confounders: Theory and Experiments
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；Graduate School of Arts and Sciences, The University of Tokyo（东京大学文理研究生院）
研究非线性机制和潜在混杂因素下的因果发现难题，提出基于最小化运气归一化最大似然（LNML）码长的因果发现框架，用贪心算法确定变量对因果关系，能准确恢复因果关系并检测潜在混杂因素。
2026-11-03 cs.LG
Neural Additive Vector Autoregression Models for Causal Discovery in Time Series
University of Antwerp（安特卫普大学）；imec（imec（微电子研究中心））
复杂动力系统的因果结构发现是许多科学领域面临的重要挑战。虽然（干预）实验的数据通常是有限的，大量的观测时间序列数据集通常是可用的。目前从时间序列中学习因果结构的方法通常假设线性关系。因此，他们可能会失败，在现实的设置，包含变量之间的非线性关系。我们提出了神经加性向量自回归（NAVAR）模型，这是一种用于因果结构学习的神经方法，可以发现非线性关系。我们训练深度神经网络，从多变量时间序列的时间演化中提取（加性）格兰杰因果影响。该方法实现了国家的最先进的结果，在各种基准数据集的因果发现，同时提供清晰的解释映射的因果关系。
2021-10-18 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
LLM Cannot Discover Causality, and Should Be Restricted to Non-Decisional Support in Causal Discovery
The Hong Kong Polytechnic University（香港理工大学）
本文论证LLM因自回归建模缺乏因果推理理论基础而不应直接决定因果关系，提出将其限制为非决策性辅助角色，并实验证明LLM引导的启发式搜索可加速因果结构学习。
2025-06-01 cs.LG
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
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
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
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
Causal Discovery in the Era of Agents
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）
提出智能体应辅助因果发现流程而非提供因果结论，通过causal-learn+平台实现数据驱动、算法支撑的因果发现，避免语言模型不可靠性转化为因果证据。
2026-06-23 cs.AI cs.LG cs.SE
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
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
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
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
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
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
Score matching enables causal discovery of nonlinear additive noise models
EPFL（洛桑联邦理工学院）；Amazon Web Services（亚马逊云科技）
本文演示了如何从非线性加性（高斯）噪声模型中的数据分布的分数中恢复因果图。使用分数匹配算法作为一个积木，我们展示了如何设计新一代的可扩展的因果发现方法。为了展示我们的方法，我们还提出了一种新的有效方法来近似分数的雅可比矩阵，从而能够恢复因果图。从经验上讲，我们发现，新的算法，称为SCORE，是最先进的因果发现方法的竞争力，同时显着更快。
2022-03-08 cs.LG stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London（帝国理工学院）；University of Dundee（邓迪大学）
本文提出状态依赖因果推断（SDCI）方法，通过将非平稳性建模为以潜在状态为条件的平稳性，实现条件平稳时间序列中的因果发现，并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration
SRI International（SRI国际）
本文提出基于多层Transformer的时间因果发现框架，通过梯度分析提取因果图，并利用注意力掩码融合先验知识以抑制虚假因果，在因果发现F1和滞后估计准确率上均显著超越现有方法。
2025-08-21 cs.LG stat.ML
Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity
Tsinghua University（清华大学）；Shandong University（山东大学）
针对现有因果发现方法受先验知识不足、领域不一致及高维小样本限制的问题，提出融合模糊知识与数据的弱监督方法KEEL，结合ELCM处理复杂数据，在多场景下准确率、鲁棒性和效率均优于现有方法。
2024-05-14 cs.LG stat.ML
LLM-initialized Differentiable Causal Discovery
SandboxAQ
本文提出LLM-DCD，利用LLM初始化可微因果发现的最大似然优化，并以显式邻接矩阵作为唯一变分参数，从而提升可解释性、先验融入能力和基准准确率。
2024-10-28 cs.LG stat.ML
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
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
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
Neuropathic Pain Diagnosis Simulator for Causal Discovery Algorithm Evaluation
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）；Microsoft Research（微软研究院）
从观测数据中发现因果关系对于许多科学学科和现实世界的应用至关重要。然而，不像其他机器学习算法，其发展已经大大促进了大量的可用基准数据集，因果发现算法是出了名的难以系统地评估，因为很少有数据集与已知的地面真理因果关系。在这项工作中，我们处理的问题，通过建立一个灵活的模拟器在医疗环境中的因果发现算法进行评估。我们开发了一个神经病理性疼痛诊断模拟器，灵感来自这样一个事实，即神经病理性病理生理学的生物过程得到了很好的研究，具有很好的理解因果关系的影响。我们的模拟器利用了神经性疼痛病理的因果图，并且其在发生器中的参数是从现实生活中的患者病例中估计的。我们表明，从我们的模拟器生成的数据具有类似的统计数据作为真实世界的数据。作为一个明显的优势，模拟器可以产生无限的样本，而不会危及现实世界患者的隐私。我们的模拟器提供了一个自然的工具，用于评估各种类型的因果发现算法，包括那些处理因果发现中的实际问题，如未知的混杂因素，选择偏差和缺失数据。使用我们的模拟器，我们已经广泛评估了因果发现算法在各种设置下。
2019-10-28 cs.LG stat.ML
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
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
Causal KL: Evaluating Causal Discovery
Monash University（莫纳什大学）
使用人工数据评估因果模型发现的两个最常用的标准是编辑距离和Kullback-Leibler散度，从真实模型到学习模型进行测量。这两个指标最大限度地奖励真实模型。然而，我们认为，他们都是不够的歧视，在判断错误的模型的相对优点。例如，编辑距离无法区分强概率依赖性和弱概率依赖性。另一方面，KL分歧同样奖励所有统计上等价的模型，无论它们的因果关系如何。我们提出了一个增强的KL分歧，我们称之为因果KL（CKL），它考虑到因果关系，区分观测等效模型。CKL的三个变体的结果，表明因果KL在实践中效果良好。
2021-11-11 cs.LG stat.ML
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
Likelihood-Free Overcomplete ICA and Applications in Causal Discovery
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
因果发现在过去几十年中取得了重大进展。特别是，许多最近的因果发现方法利用独立的，非高斯噪声来实现因果模型的可识别性。隐藏的直接共同原因，或混杂因素的存在，通常会使因果发现更加困难，只要他们存在，相应的因果发现算法可以被看作是过完备独立成分分析（OICA）的扩展。然而，现有的OICA算法通常对独立分量的分布进行强参数假设，这可能会违反实际数据，导致次优甚至错误的解决方案。此外，现有的OICA算法依赖于期望最大化（EM）过程，需要计算昂贵的独立分量的后验分布的推断。为了解决这些问题，我们提出了一个似然自由过完备ICA算法（LFOICA），估计混合矩阵直接通过反向传播没有任何明确的假设上的独立分量的密度函数。由于其计算效率，所提出的方法使得一些因果发现程序更实际可行。为了说明的目的，我们证明了我们的方法在两个因果发现任务的合成和真实数据的计算效率和功效。
2019-09-05 cs.LG stat.ML
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
A practical guide to causal discovery with cohort data
本指南针对队列数据的因果发现需求，详细讲解pcalg、bnlearn、TETRAD三款软件在观测数据、混合数据、已知时序、缺失数据场景下的基于约束的因果发现操作，对比优劣并给出实用建议。
2023-12-18 stat.AP
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
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
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
Causal Discovery with General Non-Linear Relationships Using Non-Linear ICA
University College London（伦敦大学学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Helsinki（赫尔辛基大学）
我们考虑的问题，推断两个或两个以上的被动观察变量之间的因果关系。虽然这种因果发现的问题已经被广泛研究，特别是在双变量设置，大多数当前的方法假设一个线性的因果关系，和少数考虑非线性依赖关系的方法通常使加性噪声的假设。在这里，我们提出了一个框架，通过它，我们可以在一般非线性关系的存在下进行因果发现。该方法是基于非线性独立成分分析的最新进展，并利用观测的非平稳性，以恢复潜在的源或潜在的干扰。我们严格证明，在二元因果发现的情况下，这种非线性ICA可以用来推断因果方向，通过一系列的独立性测试。我们进一步提出了一种替代措施的因果方向的基础上渐近近似的似然比，以及扩展到多变量因果发现。我们证明了所提出的方法的能力，通过一系列的模拟研究，并得出结论与神经影像数据的应用。
2019-04-19 cs.LG stat.ML
Determining Causality in Travel Mode Choice
本文提出结合因果发现与结构方程模型的方法，基于2017年纽约全国家庭出行调查比较四种算法，发现DirectLiNGAM-SEM在出行方式选择因果建模中拟合最优。
2023-04-25 stat.AP
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
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
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
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
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
Causal Discovery with Inverted Self-attention for Multivariate Time Series
School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）；Technical University of Denmark（丹麦技术大学）；TianFu YongXing Laboratory（天府永兴实验室）；Faculty of Data Science, City University of Macau（澳门城市大学数据科学学院）
该研究针对多元时间序列因果发现的挑战，提出含倒置因果自注意力机制等模块的新型框架，经实验验证其性能优于现有方法。
2026-07-31 cs.CL 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
Leveraging directed causal discovery to detect latent common causes
Spotify（声田）；University College London（伦敦大学学院）；Babylon Health（巴比伦健康）
因果关系的发现是科学和医学中的一个基本问题。近年来，已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而，大多数这些只处理纯粹的直接因果关系，不能检测潜在的共同原因。在这里，我们设计了一个一般的启发式，它需要一个因果发现算法，只能区分纯粹的直接因果关系，并修改它，也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法，信息几何因果推断（Daniusis等人，2010）和（Mitrovic，Sejdinovic，& Teh，2018）的因果推断的核条件偏差，并对合成数据进行了广泛的测试-检测加性，乘法和复杂噪声机制中的潜在常见原因-以及真实数据，我们能够检测已知的常见原因。除了检测潜在的共同原因，我们的实验表明，这两个修改后的算法保持原来的性能，在区分有向因果关系。
2021-06-21 cs.LG stat.ML
