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
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
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
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
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
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
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 via Statistical Power (CDSP)
University of Washington（华盛顿大学）；University of California San Francisco（加州大学旧金山分校）
本文提出CDSP框架，通过统计效力和效应量异质性进行因果方向推断，并在模拟和实证中展示其在模型偏差下的鲁棒性和降低误判率的效果。
2026-05-13 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
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
On the pitfalls of Gaussian likelihood scoring for causal discovery
该研究针对结构因果模型中的因果发现，分析非高斯误差分布下高斯似然评分的模型误设效应，得出该评分结合非参数回归方法存在负面结果的结论。
2023-05-03 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
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
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
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
Causal inference in drug discovery and development
University of Bergen（卑尔根大学）；Roche Innovation Centre Basel（罗氏创新中心巴塞尔）；University of Basel（巴塞尔大学）
本文面向药物研发从业者，以非技术方式介绍因果推断的基本概念，回顾其在药物发现与开发中的近期应用，并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
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
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 and Causal Learning for Fire Resistance Evaluation: Incorporating Domain Knowledge
Clemson University（克莱姆森大学）；Manisa Celal Bayar University（马尼萨·杰拉尔·巴亚尔大学）
实验仍然是建立对火灾相关现象的理解的金标准。设计测试的主要目标是揭示数据生成过程（即，我们所看到的观察是如何以及为什么会这样的）;或者仅仅是什么导致了这样的观察。揭示这样一个过程不仅可以增进我们的知识，而且还可以使我们有能力准确地预测现象。本文提出了一种方法，利用因果发现和因果推理来评估结构构件的耐火性能。在这种方法中，因果发现算法被用来揭示与钢筋混凝土（RC）柱的耐火性有关的关键变量之间的因果结构。然后，同伴推理算法被应用于推断（估计）每个变量对给定特定干预的耐火性的影响。最后，本研究结束时，通过比较算法的因果发现，从领域知识和传统的机器学习。我们的研究结果清楚地表明了在我们的领域中采用因果关系的潜力和优点。
2022-04-11 cs.LG stat.AP
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
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
On the Sample Complexity of Causal Discovery and the Value of Domain Expertise
University of Illinois（伊利诺伊大学）
因果发现方法试图从纯粹的观察数据中识别随机变量之间的因果关系，而不是主动收集实验数据，其中实验者干预相关性的子集。这一领域的开创性工作之一是推断因果关系算法，它保证在条件独立（CI）预言的假设下成功发现因果关系：一个预言可以说明两个随机变量是否在另一组随机变量下条件独立。该算法的实际实现包括条件独立性的统计测试，代替CI oracle。在本文中，我们分析了样本的复杂性，因果发现算法没有CI预言：给定一定程度的信心，有多少数据点是需要一个因果发现算法，以确定一个因果结构？此外，我们的方法使我们能够量化的数据样本方面的领域专业知识的价值。最后，我们用数值例子证明了这些采样率的准确性，并量化了稀疏先验和已知因果方向的好处。
2021-02-05 cs.LG stat.AP
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
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
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
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
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
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-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
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
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
Shadow-Mapping for Unsupervised Neural Causal Discovery
University of Surrey（萨里大学）
大多数科学领域的一个重要目标是发现一组观察结果的因果结构。遗憾的是，基于相关性或互信息的因果发现方法常常不能识别呈现动态关系的系统中的因果链接。这种动态系统（包括著名的耦合逻辑斯蒂映射）表现出“海市蜃楼”的相关性，其出现和消失取决于观察窗口。这不仅意味着相关性不是因果关系，而且可能与直觉相反，因果关系可能在没有相关性的情况下发生。在本文中，我们描述了神经阴影映射，一个基于神经网络的方法，将高维视频数据嵌入到一个低维的阴影表示，随后的因果关系的估计。我们展示了它的性能在发现因果关系的动态系统的视频表示。
2021-04-28 cs.CV stat.AP stat.ML
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
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
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
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
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
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
Entropic Causal Inference
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；California Institute of Technology（加州理工学院）
本文研究了利用观测数据确定两个离散随机变量之间因果关系方向的问题。与以前的工作不同，我们保留了最一般的函数模型，但对未观察到的外生变量做了一个假设：受奥卡姆剃刀的启发，我们假设外生变量在真正的因果方向上是简单的。我们用雷尼熵来量化简单性。我们的主要结果是，在自然假设下，如果外生变量在真实方向上具有低$H_0$熵（基数），则它在错误方向上必须具有高$H_0$熵。建立了估计最小熵外生变量的几个算法困难性结果。我们证明了寻找具有最小熵的外生变量的问题等价于寻找给定$n$边缘分布的最小联合熵的问题，也称为最小熵耦合问题。我们提出了一个有效的贪心算法的最小熵耦合问题，即$n=2$可证明找到一个局部最优。这给出了一个贪心算法来寻找具有最小$H_1$（香农熵）的外生变量。我们的贪婪熵为基础的因果推理算法具有类似的性能，最先进的加性噪声模型在真实的数据集。我们的方法的一个优点是，我们不使用随机变量的值，但只有他们的分布。因此，我们的方法可以用于因果推理的顺序和分类数据，不像加性噪声模型。
2016-11-15 cs.AI cs.IT math.IT
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
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
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
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
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法，通过统一框架提升因果识别性能，并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
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
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
