From dependency to causality: a machine learning approach
Université Libre de Bruxelles（布鲁塞尔自由大学）；Interuniversity Institute of Bioinformatics in Brussels（布鲁塞尔大学生物信息学研究所）
统计依赖性和因果关系之间的关系是所有因果推断的统计方法的核心。ChaLearn因果对挑战的最新结果表明，由于数据驱动的方法，因果方向性也可以在马尔可夫不可区分的配置中以良好的准确性推断出来。本文提出了一种有监督的机器学习方法来推断存在的有向因果关系的两个变量之间的多元设置与$n>2$变量。该方法依赖于两个变量因果连接的马尔可夫毯成员之间的一些条件（不）依赖关系的不对称性。我们的研究结果表明，监督学习方法可以成功地用于提取因果信息的基础上的非对称统计描述符也为$n>2$变量分布。
2014-12-19 cs.AI cs.LG stat.ML
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
GNA: Granular Neighbor Assembly for Retrieval-Augmented Multivariate Time-Series Forecasting
CERN（欧洲核子研究中心）
提出粒度邻居组装检索层GNA，通过整窗和逐变量双粒度检索及门控融合，在96个设置中85个提升Transformer预测性能，优于无检索基线。
2026-09-30 cs.LG stat.ML
Causal Inference Isn't Special: Why It's Just Another Prediction Problem
Hong Kong University of Science and Technology（香港理工大学）
本文提出因果推断本质上是分布偏移下的预测问题，通过重加权和域适应等预测技术可直接应用，从而简化其逻辑并提升可及性。
2025-07-09 cs.LG stat.ME stat.ML
An Overview of Causal Inference using Kernel Embeddings
University of Adelaide（阿德莱德大学）
本文综述了核嵌入方法在因果推断领域的应用，介绍其通过将概率测度映射到RKHS实现灵活分布表示，为解决观测数据的因果识别与效应估计等问题提供鲁棒非参数框架。
2024-10-30 cs.LG stat.ME stat.ML
Stable Central Limit Theorems for Discrete-Time Lag Martingale Difference Arrays: Applications to Dynamic Causal Inference
University of Michigan（密歇根大学）；Johns Hopkins Carey Business School（约翰霍普金斯凯瑞商学院）
本文提出了一类离散时间滞后鞅差数组的稳定中心极限定理，通过伯恩斯坦阻断方案和经典鞅定理证明，并应用于动态因果推断问题。
2026-09-11 math.PR math.ST stat.TH
Causal Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University（澳大利亚国立大学）；Data61/NICTA（Data61/国家信息与通信技术研究院）；University of Alberta（阿尔伯塔大学）
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈，不利用现有的方法。我们提出了一个新的算法，利用因果反馈，并证明其简单的遗憾，严格优于（在所有数量）比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Applied Causal Inference Powered by ML and AI
MIT（麻省理工学院）；Chicago Booth（芝加哥大学布斯商学院）；Cornell University（康奈尔大学）；Hamburg University（汉堡大学）；Stanford University（斯坦福大学）
该书聚焦机器学习与因果推断的新兴融合方向，讲解经典结构方程模型及对应的有向无环图、结构因果模型等AI因果框架，介绍双重/去偏机器学习方法以用现代预测工具实现因果推断。
2024-03-04 cs.LG econ.EM stat.ME
A Primer on Deep Learning for Causal Inference
UCLA（加州大学洛杉矶分校）；Northwestern Kellogg School of Management（西北大学凯洛格管理学院）；University of Chicago（芝加哥大学）；Harvard Medical School（哈佛医学院）；Santa Fe Institute（圣塔菲研究所）
本文系统综述了基于深度神经网络的因果推断方法，重点介绍异质性处理效应估计、非线性及文本/网络/图像混杂场景，并提供 TensorFlow 2 实现教程。
2023-11-28 cs.LG econ.EM stat.ME
Towards Causal Foundation Model: on Duality between Causal Inference and Attention
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；Microsoft Research Cambridge（微软研究院剑桥分部）
本文提出基于注意力的因果推断方法CInA，利用无标签数据集进行自监督学习，通过最优协变量平衡与自注意力机制的对偶联系实现零样本因果推断，在分布外和真实数据集上表现优异，为因果基础模型发展奠定基础。
2024-06-03 cs.AI cs.LG stat.ME
Consistency of Causal Inference under the Additive Noise Model
Toyota Technological Institute-Chicago（芝加哥丰田理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
我们分析了一个家庭的统计因果推断的方法，从所谓的加性噪声模型下的样本。虽然大多数关于这个问题的工作都集中在建立加性噪声模型的可靠性，统计一致性的推断方法很少受到关注。我们推导出一般条件下，给定的家庭的推理方法一致推断的因果方向在非参数设置。
2014-02-05 cs.LG stat.ML
A Survey on Causal Inference
University at Buffalo（布法罗大学）；University of Georgia（佐治亚大学）；Alibaba Group（阿里巴巴集团）；University of Virginia（弗吉尼亚大学）
因果推断是统计学、计算机科学、教育学、公共政策和经济学等领域的重要研究课题。与随机对照试验相比，基于观察数据的因果效应估计因其数据量大、经费要求低而成为一个很有吸引力的研究方向。随着机器学习领域的快速发展，各种观测数据的因果效应估计方法层出不穷。在这篇综述中，我们对潜在结果框架下的因果推断方法进行了全面的综述，潜在结果框架是著名的因果推断框架之一。这些方法分为两类，取决于它们是否需要潜在成果框架的所有三个假设。对于每一类，传统的统计方法和最近的机器学习增强方法进行了讨论和比较。介绍了这些方法在广告、推荐、医学等领域的应用，并对常用的基准数据集和开源代码进行了总结，为研究者和实践者探索、评估和应用因果推断方法提供了参考。
2020-02-05 cs.AI cs.LG stat.ME
Causal inference using deep neural networks
Carnegie Mellon University（卡内基梅隆大学）
从观测数据中进行因果推断是许多科学领域的核心问题。在这里，我们提出了一个通用的监督深度学习框架，通过将输入向量转换为每对输入的图像表示来推断因果交互。给定一个训练数据集，我们首先构建一个标准化经验概率密度分布（NEPDF）矩阵。然后，我们训练一个卷积神经网络（CNN）的因果关系预测的NEPDF。我们在几个不同的模拟和真实世界的数据上测试了该方法，并将其与先前的因果推理方法进行了比较。正如我们所展示的，该方法是通用的，可以有效地处理非常大的数据集，并改进了以前的方法。
2020-11-25 cs.LG stat.ML
Deep End-to-end Causal Inference
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）；G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而，因果发现的研究已经从推理方法中独立出来，阻止了两个领域的方法的直接结合。在这项工作中，我们开发了深度端到端的因果推断（DECI），一个基于单流的非线性加性噪声模型，采用观测数据，可以执行因果发现和推理，包括条件平均处理效应（CATE）估计。我们提供了一个理论上的保证，DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响，我们将此模型扩展到具有缺失值的异构混合类型数据，允许连续和离散的治疗决策。我们的研究结果显示，与因果发现和（C）ATE估计的相关基线相比，DECI在一千多个实验中具有竞争力的性能，这些实验涉及合成数据集和因果机器学习基准，跨越数据类型和缺失程度。
2022-06-20 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
A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
Department of Mechanical and Industrial Engineering（机械与工业工程系）
本文提出结合基于树的离散化技术与基于整数线性规划的匹配算法，以提升因果推断中的计算效率和ATT估计的准确性。
2026-05-06 cs.LG stat.ML
Navigating the Safety-Fidelity Trade-off: Massive-Variate Time Series Forecasting for Power Systems via Probabilistic Scenarios
ZJU-UIUC Institute, Zhejiang University（浙江大学伊利诺伊大学厄巴纳香槟校区联合学院）
针对现有基准无法评估大规模多变量概率预测的安全性与保真度权衡问题，提出包含多达36,964个通道的电力系统基准PowerPhase和场景式分位数预测器PowerForge，在多个网格上取得最佳平均排名。
2026-06-12 cs.LG
CausalImages: An R Package for Causal Inference with Earth Observation, Bio-medical, and Social Science Images
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Linköping University（林雪平大学）
该R包causalimages支持利用图像和图像序列数据进行因果推断，提供分解处理效应异质性、控制混杂因素及生成嵌入等功能，并包含加速大规模图像分析的设施，为R中因果推断开辟新能力。
2023-11-09 cs.LG stat.ME
Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现，用于异质性处理效应估计，并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
A Topological Perspective on Causal Inference
Stanford University（斯坦福大学）
本文提出了一个拓扑学习理论的因果推理的角度，通过引入一系列的拓扑定义的一般空间的结构因果模型（SCM）。作为一个说明的框架，我们证明了拓扑因果层次定理，表明实质性的无约束因果推理是可能的，只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系，我们的研究结果表明，归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理，本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是，它很容易容纳SCM无限多个变量。最后，我们建议，该框架可能有助于积极的项目，探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
Deep Structural Causal Models for Tractable Counterfactual Inference
Imperial College London（伦敦帝国理工学院）
我们制定了一个通用框架，用于构建具有深度学习组件的结构因果模型（SCM）。所提出的方法采用规范化流和变分推断来实现对外源噪声变量的易处理的推理-这是现有深度因果学习方法中缺少的反事实推理的关键步骤。我们的框架在MNIST上构建的合成数据集以及真实世界的大脑MRI扫描医学数据集上进行了验证。我们的实验结果表明，我们可以成功地训练深SCM，能够所有三个层次的珍珠的阶梯的因果关系：关联，干预和反事实，从而产生一个强大的新方法来回答因果问题的成像应用和超越。我们所有实验的代码都可以在https://github.com/biomedia-mira/deepscm上找到。
2020-10-22 cs.LG stat.ML
Active and Passive Causal Inference Learning
Center for Data Science（数据科学中心）；New York University（纽约大学）
本文为机器学习学者提供因果推断入门，梳理因果识别核心假设，将因果推断技术分为主动与被动两类并介绍代表性方法，为后续研究提供起点。
2024-08-25 cs.LG stat.ML
Black Box Causal Inference: Effect Estimation via Meta Prediction
New York University（纽约大学）；Genentech（基因泰克）；Center for Data Science, New York University（纽约大学数据科学中心）；Prescient Design, Genentech（基因泰克预见设计部）
本文提出黑盒因果推断（BBCI），将因果效应估计转化为数据集层面的元预测问题，通过从采样的数据集-效应对中学习构建估计器，在多个因果推断问题上准确估计ATE和CATE。
2025-03-07 cs.AI cs.LG stat.CO
RealCause: Realistic Causal Inference Benchmarking
Mila（米拉研究所）
在因果推理中有许多不同的因果效应估计量。然而，目前尚不清楚如何在这些估计量之间进行选择，因为因果效应没有地面实况。一个常用的选择是模拟合成数据，其中地面实况是已知的。然而，合成数据上的最佳因果估计量不太可能是真实数据上的最佳因果估计量。因果估计量的理想基准将（a）产生因果效应的地面真值，（b）代表真实数据。使用灵活的生成模型，我们提供了一个基准，既产生地面真相，是现实的。使用这个基准，我们评估了超过1500种不同的因果估计，并提供证据表明，使用预测指标为因果估计选择超参数是合理的。
2021-03-29 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
A Forecaster's Review of Judea Pearl's Causality: Models, Reasoning and Inference, Second Edition, 2009
Central University of Finance and Economics（中央财经大学）
本文从预测者视角评述 Pearl《因果论》第二版，展示预测场景中的因果推断策略，并探讨时间序列预测中反事实建模、不确定性估计与先验知识融合的益处和挑战。
2023-08-10 cs.LG stat.AP stat.ME
Probabilistic Matching: Causal Inference under Measurement Errors
每天从各种各样的来源产生的丰富的数据，促进了对从观测数据进行因果推断分析的新方法的需求。观测数据通常包含噪声或缺失的条目。此外，因果推断研究可能需要未观察到的高级信息，这些信息需要从其他观察到的属性中推断出来。在这种情况下，所应用的推理方法的不准确性将导致噪声输出。在这项研究中，我们提出了一种新的方法，当一个或多个关键变量是嘈杂的因果推断。我们的方法利用知识的不确定性的实际值的关键变量，以减少由噪声测量引起的偏差。我们评估我们的方法与现有的方法相比，模拟和真实的情况下，我们表明，我们的方法减少了偏见，避免在大多数情况下错误的因果推断结论。
2017-03-13 stat.CO stat.ME stat.ML
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而，这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用（例如，医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架，加性噪声模型（ANM），同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验，并证明我们的技术是实用的，易于实现。
2016-08-20 stat.ML
Causal Inference with Deep Causal Graphs
Universitat de Barcelona（巴塞罗那大学）
参数因果建模技术很少提供反事实估计的功能，往往以建模复杂性为代价。由于因果估计依赖于用于对数据进行建模的函数族，因此过于简单的模型可能会导致生成机制的不精确表征，从而导致不可靠的结果。这限制了它们对现实生活数据集的适用性，这些数据集具有非线性关系和变量之间的高度相互作用。我们提出了深度因果图（Deep Causal Graphs），这是对神经网络建模因果分布所需功能的抽象规范，并提供了满足此契约的模型：规范化因果流。我们展示了它的表达能力，在建模复杂的相互作用和展示应用程序的方法，机器学习的可解释性和公平性，使用真正的因果反事实。
2020-06-15 cs.LG cs.NE stat.ML
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland（马里兰大学）
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例，如果公式$F$计算因果查询$Q$，作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题，包括因果效应识别，因果发现和选择偏差的恢复。此外，这种关系支持用结构因果模型将因果推断中的新问题形式化，例如研究设计问题。因果规划被提出作为因果推断的进一步推广，作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
Variational Causal Networks: Approximate Bayesian Inference over Causal Structures
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ElementAI；ServiceNow；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）；CIFAR（加拿大高等研究院）
学习数据背后的因果结构是实现强大的现实世界决策的关键一步。因果推理中的大多数现有工作集中于确定单个有向无环图（DAG）或其马尔可夫等价类。然而，一个关键的方面，智能地采取行动的知识因果结构，已推断出从有限的数据要求推理其不确定性。例如，计划干预以了解更多关于管理我们数据的因果机制的信息，需要量化DAG的认知不确定性。虽然贝叶斯因果推理允许这样做，但即使对于少量变量，DAG的后验也变得难以处理。为了克服这个问题，我们提出了一种形式的变分推理的结构因果模型（SCM）的图。为此，我们引入了一个参数变分家庭建模的自回归分布在离散DAG的空间。它的参数数量不会随着变量的数量呈指数增长，并且可以通过最大化证据下限（ELBO）来学习。在我们的实验中，我们证明了所提出的变分后验是能够提供一个很好的近似的真实后验。
2021-06-14 cs.AI cs.LG stat.ML
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具，进行因果推断时，结果采取非负整数值。应用到潜在的结果框架，我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论，一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法，其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元，最多观察到一个潜在结果，而其余结果缺失，所以因果推断本质上是一个缺失数据问题。事实上，因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系，但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制，我们讨论了广泛的因果推断方法，这些方法在缺失数据分析中具有类似性，例如插补，逆概率加权和双稳健方法。在每一个三种模式的推理-频率，贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计，并通过具体的例子说明。我们确定了开放的问题，以激励更多的研究，以弥合这两个领域。
2018-01-03 stat.ME
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合，以推导因果估计量的渐近分布和方差，并通过因果比率估计量示例展示其应用。
2022-06-01 stat.ME
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
Some Reflections on Drawing Causal Inference using Textual Data: Parallels Between Human Subjects and Organized Texts
University of Pennsylvania（宾夕法尼亚大学）
我们研究的作用，文本数据作为研究单位进行因果推理时，绘制人类受试者和有组织的文本之间的相似之处。%的人口研究。我们详细阐述了关键的因果概念和原则，并揭示了一些模糊性，有时甚至是谬误。为了便于更好地构建因果查询，我们讨论了两种策略：（i）从不变的特征转移到对它们的感知，以及（ii）从一些抽象概念/属性转移到其组成部分，即，从建构主义的角度看待抽象概念。我们希望这篇文章能提高人们对阐明和澄清基本概念的重要性的认识，然后再深入研究使用文本数据进行因果推理时的方法。
2022-02-02 cs.CL cs.LG stat.AP
When Is Causal Inference Possible? A Statistical Test for Unmeasured Confounding
本文提出一种结合随机对照试验与观测数据的统计检验，用于判断无未测量混杂假设是否成立，从而评估现实数据是否适合因果推断。
2025-08-28 stat.ME
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断，包括倾向得分的作用，可识别性的定义，先验的选择，在低维和高维制度。我们指出协变量重叠的核心作用，更一般的设计阶段，贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制：工具变量和随时间变化的治疗。在整个过程中，我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Causal Inference Using Tractable Circuits
University of California, Los Angeles（加州大学洛杉矶分校）
本文的目的是讨论最近的一个结果表明，概率推理（未知）的因果机制的存在下，传统上被视为棘手的模型可以是易处理的。这一结果最近被报道，以促进基于模型的监督学习，但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路，该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的，因此它可以用于从数据中估计参数，并进一步推理（在线性时间内）由这些估计参数化的因果图。此外，电路的大小有时可以是有界的，甚至当因果图的树宽不是，导致在模型上的易处理的推理，以前被认为是棘手的。这已经通过一种新技术实现，该技术可以在计算上利用因果机制，但不需要知道它们的身份（因果推理中的经典设置）。我们的目标是提供一个以因果关系为导向的暴露这些新的结果，并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下，我们定义了一个变量X对另一个变量Y的因果效应，并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的，但是，如果混杂因素有缺失值，这将变得具有挑战性。一般来说，如果混杂因素是非随机缺失，则无法识别因果效应。我们提出了一个新的框架，以非参数识别因果关系的影响与混杂因素的结果无关的missingness，即缺失数据的机制是独立的结果，给定的治疗和可能的缺失混杂因素。然后，我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Multiply robust dose-response estimation for multivalued causal inference problems
针对多值处理的因果推断问题，提出了一种多重稳健（MR）剂量反应估计方法。我们结合了一个家庭的广义倾向得分（GPS）模型和家庭的结果回归（OR）模型，以实现平均潜在的结果估计是一致的，如果在每个家庭中只有一个GPS或OR模型是正确指定的。我们提供的证据和模拟，证明多个鲁棒性的背景下，多值因果推断问题。
2017-05-17 stat.ME
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
On robust Bayesian causal inference
针对纵向观测数据因果推断中现有方法因结构假设误设易产生估计偏差的问题，本文提出基于广义贝叶斯推断的稳健因果推断框架，通过恰当评分规则调优学习率，经仿真与真实数据验证可提升因果效应估计的校准度、锐度与稳健性。
2025-11-19 stat.ME
Using Large Ensembles of Control Variates for Variational Inference
College of Information and Computer Science（信息与计算机科学学院）；University of Massachusetts（马萨诸塞大学）；Amherst, MA 01003（阿默斯特，马萨诸塞州 01003）
变分推理越来越多地被随机优化处理。在这种情况下，梯度的方差在优化过程中起着至关重要的作用，因为高方差梯度导致收敛性差。一个流行的方法来减少梯度的方差涉及到控制变量的使用。尽管取得了良好的结果，控制变量的变分推理通常被孤立地看待。在本文中，我们澄清了大量的控制变量，提供了一个系统的观点，他们是如何推导出来的。我们还提出了一个贝叶斯风险最小化框架，在该框架中，控制变量相结合的过程的质量是量化的优化收敛速度，这导致一个非常简单的组合规则的影响。结果表明，结合大量的控制变量，这种方式显着提高了收敛性的推理使用典型的梯度估计或减少控制变量的数量。
2020-10-22 cs.LG stat.ML
Causal Inference via Conditional Kolmogorov Complexity using MDL Binning
Northeastern University（东北大学）；GE Global Research（通用电气全球研究中心）
最近的发展已经将因果推理与数学信息论联系起来，并且已经开发了利用条件柯尔莫哥洛夫复杂性来确定两个随机变量之间的因果关系的方法。我们提出了一种方法来推断因果方向之间的连续变量使用MDL装箱技术的数据离散化和复杂性计算。我们的方法捕获数据的形状，并使用它来确定哪个变量具有更多关于另一个变量的信息。它的高预测性能和鲁棒性在几个真实世界的用例中得到了证明。
2019-11-06 cs.IT cs.LG math.IT
Quantifying Sufficient Randomness for Causal Inference
虚假关联来自于治疗倾向和个体结局风险之间的协方差。对于具有随机反事实的敏感性分析，我们引入了一种方法来表征自然实验和准实验中因果推断的不确定性。我们的敏感性参数是倾向和个体风险变化的标准化度量，1减去其几何平均值是数据生成过程中随机性的直观度量。在我们的潜在倾向风险模型中，我们展示了如何从列联表数据计算一个阈值，$T$，足够的随机性因果推断。如果数据生成过程的实际随机性超过该阈值，则保证因果推断。
2021-03-09 stat.ME
Causal Inference through a Witness Protection Program
因果推断中最基本的问题之一是当变量混杂时对因果效应的估计。这在观察性研究中是困难的，因为没有直接证据表明所有混杂因素都已调整。我们介绍了一种新的方法来估计因果效应，利用观测条件独立性，建议在一个未知的因果图中的“弱”路径。Spirtes等人广泛使用的忠诚条件被放宽，以允许不同程度的“路径取消”，这意味着条件独立，但不排除存在混淆的因果路径。结果是通过线性规划方法和贝叶斯推断的平均因果效应的界上的后验分布。我们主张这种方法应该与观察性研究中的其他默认工具一起用于常规实践。
2014-10-30 stat.ML
The How and Why of Bayesian Nonparametric Causal Inference
受最近因果推断竞赛的成功的鼓舞，贝叶斯非参数（和高维）方法最近在因果推断文献中受到越来越多的关注。在本文中，我们提出了一个全面的概述贝叶斯非参数应用因果推断。我们的目标是（i）介绍基本的贝叶斯非参数工具包;（ii）讨论如何确定哪种工具最适合给定的问题;（iii）展示如何避免在高维环境中应用贝叶斯非参数方法的常见陷阱。不像标准的固定维参数问题，其中单独的结果建模有时是有效的，我们认为，在大多数情况下，它是必要的选择和结果的过程建模。
2022-01-10 stat.ME
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 stat.ME
Integrating Markov processes with structural causal modeling enables counterfactual inference in complex systems
Gamalon Inc.（Gamalon公司）；Northeastern University（东北大学）
这篇文章提供了一个一般的和实用的框架，铸造一个马尔可夫过程模型的系统在平衡作为一个结构的因果模型，并进行反事实推理。马尔可夫过程在数学上描述了系统中的机制，并预测系统在干预时的平衡行为，但不支持反事实推理。相反，结构因果模型支持反事实推理，但不确定的机制。本手稿利用了这两种方法的优点。我们定义的结构因果模型的参数和平衡动态的马尔可夫过程模型，并从这些设置反事实推理流。所提出的方法消除了结构因果模型的可识别性缺陷，因为反事实推理与从马尔可夫过程模型模拟的反事实轨迹是一致的。我们展示了这个框架的好处，在复杂的生物分子系统的非线性动力学的案例研究。我们说明了，在存在马尔可夫过程模型误指定，反事实推理利用先验数据，因此估计干预的结果比直接模拟更准确。
2019-11-06 cs.LG q-bio.MN stat.AP
