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
Test-Time Learning of Causal Structure from Interventional Data
HKUST（香港科技大学）；HKUST(GZ)（香港科技大学（广州））；Microsoft Research（微软研究院）；Sony Research（索尼研究院）；NUS（国立新加坡大学）
TICL通过结合测试时训练与联合因果推断，有效解决干预数据中因果结构学习的泛化问题，提升因果发现和干预目标检测性能。
2026-02-22 cs.AI cs.LG
Estimating Causal Effects of Text Interventions Leveraging LLMs
本文提出CausalDANN方法，通过大语言模型处理复杂文本数据，解决传统因果推断方法在高维文本数据中的不足，实现对文本干预效果的稳健估计。
2026-03-14 cs.AI cs.CL
Causal Discovery using Model Invariance through Knockoff Interventions
Michael Stifel Center Jena（耶拿迈克尔·施蒂费尔中心）
因果分析对于理解系统的潜在机制至关重要。我们建议利用模型的不变性，通过干预的预测推断因果关系的非线性多变量系统的时间序列。我们使用DeepAR对时间序列中的非线性相互作用进行建模，然后使用基于Knockoffs的干预将模型暴露于不同的环境中，以测试模型的不变性。敲除样本是在不知道响应的情况下生成的成对可交换、分布内和统计学上为空的变量。我们测试模型的不变性，我们表明，响应残差的分布不会改变显着干预非因果预测。我们评估我们的方法对真实和综合生成的时间序列。总体而言，我们的方法优于其他广泛使用的因果关系方法，即VAR Granger因果关系，VARLiNGAM和PCMCI+。
2022-07-08 cs.AI cs.LG
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
Intervention and Conditioning in Causal Bayesian Networks
Cornell University（康奈尔大学）
本文针对因果贝叶斯网络中干预公式的条件概率计算难题，提出在简单且现实的独立性假设下可唯一估计干预概率（含充分性与必要性），并指出在假设成立时可用观测数据评估，意义重大。
2024-05-23 cs.AI cs.LG
Provable Guarantees on the Robustness of Decision Rules to Causal Interventions
University of Oxford（牛津大学）
决策规则对数据生成过程中的变化的鲁棒性对于决策系统的成功部署至关重要。这种转变可以被视为对因果图的干预，它捕捉了数据生成过程中的变化（可能是假设的），无论是由于自然原因还是对手的行动。我们认为因果贝叶斯网络和正式定义的干预鲁棒性问题，一种新的基于模型的决策函数的鲁棒性的概念，衡量最坏情况下的性能相对于一组干预措施，表示变化的参数和/或因果关系的影响。通过依赖于一个易于处理的表示贝叶斯网络的算术电路，我们提供了有效的算法，用于计算保证的上限和下限的干预鲁棒性概率。实验结果表明，该方法产生有用的和可解释的范围内的实际网络，铺平了道路，可证明因果关系的强大的决策系统。
2021-05-19 cs.AI cs.LG
Characterising Interventions in Causal Games
University of Oxford（牛津大学）；London Initiative for Safe AI (LISA)（伦敦安全人工智能倡议（LISA））
本文提出一组完备且可靠的基本因果干预，放宽了因果博弈中对干预的时间顺序约束，使任意复杂干预查询可在多智能体环境中研究，并展示了其在安全AI系统设计中的应用。
2024-06-13 cs.AI cs.GT cs.MA
Bayesian causal inference via probabilistic program synthesis
University of Massachusetts（马萨诸塞大学）；Massachusetts Institute of Technology（麻省理工学院）
因果推理可以形式化为贝叶斯推理，其结合了因果模型的先验分布和解释观察和干预的可能性。我们表明，它是可能的，以实现这种方法，使用一个充分表达的概率程序设计语言。先验表示使用概率程序生成的源代码在一个特定领域的语言。干预是使用概率程序，编辑这个源代码修改原始的生成过程。这种方法可以直接将来自原子干预的数据，以及转移干预，方差缩放干预和其他修改因果结构的干预。这种方法也使得使用通用推理机的概率程序推断可能的因果结构和参数的数据。这一摘要描述了一个原型，这种方法在Gen概率程序设计语言。
2019-10-30 cs.AI cs.LG
Info Intervention
University of Science and Technology of China（中国科学技术大学）；University of Hong Kong（香港大学）
基于行为干预的因果图是形式化、处理和理解变量间因果关系的有效工具。然而，do干预对不可操纵变量的因果关系问题的解释存在争议，而且它也缺乏检查与反事实变量相关的条件的权力。本文介绍了一种新的信息干预，以解决这两个问题，并提供了因果图的沟通和理论焦点的基础上，这种信息干预。我们的信息干预是对因果机制的输入/输出信息进行干预，而行为干预是对因果机制进行干预。因此，在信息干预框架下，因果关系被视为信息传递。作为推广，本文还提出并研究了广义信息干预。
2020-06-02 cs.AI cs.LG stat.ME
A Causal Bandit Approach to Learning Good Atomic Interventions in Presence of Unobserved Confounders
Adobe Research（Adobe研究院）；Technion Israel Institute of Technology（以色列理工学院）
我们研究的问题，确定最佳干预的因果贝叶斯网络（CBN）指定的因果图。我们将其建模为带有边信息的随机多臂强盗（MAB）问题，其中干预措施对应于强盗实例的武器。首先，我们提出了一个简单的遗憾最小化算法，作为输入的半马尔可夫因果图与原子干预和可能无法观察到的变量，并实现$\tilde{O}(\sqrt{M/T})$预期的简单遗憾，其中$M$是依赖于输入CBN，可以是非常小的相比，武器的数量。我们还表明，这几乎是最佳的CBN所描述的因果图具有$n$ ary树结构。我们简单的遗憾最小化的结果，上界和下界，subternal以前的结果在文献中，假设额外的结构限制的输入因果图。特别是，我们的研究结果表明，我们提出的算法的简单的遗憾保证只能通过考虑更细致入微的结构限制的因果图得到改善。接下来，我们提出了一种累积遗憾最小化算法，该算法将具有所有可观察节点和原子干预的一般因果图作为输入，并且比不考虑因果边信息的最优MAB算法表现得更好。我们还实验比较我们的算法与文献中最知名的算法。据我们所知，这项工作给出了第一个简单的和累积的遗憾最小化算法的CBN与原子干预下的一般因果图和未观察到的混杂因素。
2022-05-19 cs.AI cs.LG
Transferring Information Across Interventions in Causal Bayesian Optimization
Computer Science Department（计算机科学系）
提出图耦合因果贝叶斯优化方法，通过共享因果参数的不确定性连接不同干预效应，实现跨干预信息传递，在可识别线性高斯因果模型中证明低秩核性质和次线性遗憾界。
2026-05-31 cs.AI cs.LG stat.ML
Learning and Testing Causal Models with Interventions
Cornell University（康奈尔大学）；Indian Institute of Science（印度科学学院）；MIT（麻省理工学院）
我们考虑Pearl（Pearl，2009）定义的因果贝叶斯网络上的测试和学习问题。给定一个图上的因果贝叶斯网络$\mathcal{M}$，$n$离散变量和有界的度和有界的“混淆分量”，我们证明了$O(\log n)$干预在同一个图上的未知因果贝叶斯网络$\mathcal{X}$上，以及每个干预的$\tilde{O}(n/ε^2)$样本，足以有效区分是否存在$\mathcal{X}=\mathcal{M}$或是否存在某种干预，在该干预下$\mathcal{X}$和$\mathcal{M}$总体上比$ε$更远变化距离我们还获得了样本/时间/干预有效的算法：（i）在同一个图上测试两个未知因果贝叶斯网络的身份;（ii）在给定的图上学习因果贝叶斯网络。虽然我们的算法是非自适应的，我们表明，自适应一般没有帮助：$Ω(\log n)$干预是必要的测试身份的两个未知的因果贝叶斯网络在同一个图，甚至自适应。我们的算法是通过一个新的次加性不等式的平方之间的因果贝叶斯网络的Hellinger距离。
2018-05-24 cs.AI cs.DS stat.ML
Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions
Kyushu Institute of Technology（九州工业大学）
本文提出SVAR-FM框架，利用物理模拟器实现Pearl的do操作，通过物理约束消除混杂路径，利用条件流匹配学习非线性干预条件，理论证明结构VAR在覆盖条件下可识别，并通过四个科学领域实验验证其有效性。
2026-05-11 cs.AI cs.LG
Addressing divergent representations from causal interventions on neural networks
Stanford University（斯坦福大学）
研究探讨因果干预是否导致模型表示偏离自然分布，分析无害与有害分歧，并提出改进方法以提升解释性可靠性。
2026-04-22 cs.AI cs.LG
Bayesian Network Models of Causal Interventions in Healthcare Decision Making: Literature Review and Software Evaluation
University of Oxford（牛津大学）
本报告总结了系统性文献检索的结果，以确定用于支持医疗保健决策的贝叶斯网络模型。在描述检索方法后，对选定的研究论文进行简要回顾，以确定公开可用的模型和数据集，这些模型和数据集非常适合使用Wang B，Lyle C，Kwiatkowska M（2021）开发的因果干预分析软件工具进行分析。最后，应用该软件对选定的模型进行了实验评估，并报告了初步结果。
2022-11-28 cs.AI cs.LG
Interventions, Where and How? Experimental Design for Causal Models at Scale
University of Oxford（牛津大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）
由于数据有限和不可识别性，从观察性和干预性数据中发现因果关系具有挑战性：这些因素在估计基础结构因果模型（SCM）时引入了不确定性。根据这两个因素产生的不确定性选择实验（干预措施）可以加快SCM的识别。现有的方法在实验设计因果关系的发现，从有限的数据要么依赖于线性假设的SCM或只选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入贝叶斯最优实验设计框架，允许在选择干预目标和值的同时主动发现大型非线性SCM的因果关系。我们证明了所提出的方法在线性和非线性SCM以及\emph{in-silico}单细胞基因调控网络数据集DREAM上的合成图（Erdos-Rènyi，无尺度）上的性能。
2022-10-21 cs.AI cs.LG stat.ML
Prescriptive Process Monitoring Under Resource Constraints: A Causal Inference Approach
University of Tartu（塔尔图大学）
规范性流程监控是一系列通过在运行时触发干预来优化业务流程性能的技术。现有的规范性过程监测技术假设可能触发的干预措施的数量是无限的。但实际上，具体的干预措施消耗的资源有限。例如，在贷款发放过程中，干预可能包括准备一个替代贷款提议，以增加申请人获得贷款的机会。这种干预需要信贷官员一定的时间，因此，不可能在所有情况下都触发这种干预。本文提出了一种规范的过程监控技术，触发干预，以优化成本函数下固定的资源约束。所提出的技术依赖于预测建模来识别可能导致负面结果的病例，并结合因果推理来估计干预对病例结果的影响。然后，这些产出被用来为干预措施分配资源，以最大限度地提高成本函数。初步的实证评估表明，所提出的方法产生了更高的净收益比一个纯粹的预测（非因果）的基线。
2021-10-11 cs.AI cs.LG
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
Causal Intervention Improves Implicit Sentiment Analysis
ByteDance AI Lab（字节跳动人工智能实验室）
尽管在情感分析方面取得了巨大的成功，但现有的神经模型仍难以进行隐式情感分析。这可能是由于它们可能锁定到伪相关（“捷径”，例如，仅关注明确的情感词），导致破坏学习模型的有效性和鲁棒性。在这项工作中，我们提出了一个因果干预模型的内隐情感分析使用工具变量（ISAIV）。我们首先回顾情感分析从因果关系的角度，并分析在这个任务中存在的混杂因素。然后，我们引入一个工具变量来消除混杂的因果效应，从而提取句子和情感之间的纯因果效应。我们比较建议ISAIV模型与几个强基线上的一般隐式情感分析和基于方面的隐式情感分析任务。结果表明，我们的模型和隐式情感推理的有效性的巨大优势。
2022-08-19 cs.AI cs.CL
Nonparametric Identifiability of Causal Representations from Unknown Interventions
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）；Columbia University（哥伦比亚大学）
本文研究未知干预下非参数因果表示学习的可辨识性，证明在一般性条件下，每个节点一次完美干预即可识别两个因果变量，并推广到任意数量变量，同时证明因果影响强度在等价解中保持不变。
2023-10-28 cs.AI cs.LG stat.ML
Causal Interventions on Causal Paths: Mapping GPT-2's Reasoning From Syntax to Semantics
University of Southern California（南加州大学）
本研究针对大语言模型自然语言推理难以通过电路解析的问题，以GPT-2 small为对象开展因果句干预实验，发现因果句法定位在前2-3层、深层特定头关注语义关系，为表征LLM因果推理提供了初步依据。
2024-10-28 cs.AI cs.CL
Learning Good Interventions in Causal Graphs via Covering
Indian Institute of Science（印度科学学院）；Microsoft Research（微软研究院）
本文提出利用覆盖干预思想解决因果老虎机问题，将简单遗憾界从 O~(N/√T) 改进至 O~(√(N/T))，并扩展至含未观测变量的图，实验验证优于基线。
2023-05-08 cs.AI cs.LG
Learning Robust Intervention Representations with Delta Embeddings
Department of Informatics and Telematics（信息与电信学系）
本文提出通过潜在空间中的可操作反事实表示提升模型鲁棒性，提出因果delta嵌入方法，在无需额外监督的情况下学习因果表示，实验显示其在合成和现实基准中表现优异。
2026-02-28 cs.AI cs.CV
Group Interventions on Deep Networks for Causal Discovery in Subsystems
Computer Vision Group, Faculty of Mathematics and Computer Science（计算机视觉组，数学与计算机科学学院）；Friedrich Schiller University Jena（耶拿弗里德里希·施勒格尔大学）
针对现有因果发现方法忽略子系统变量组间相互作用的问题，提出结合深度网络组级干预与模型不变性检验的gCDMI方法，在模拟和真实数据集上均展现出更优的组级因果关系识别性能。
2025-10-29 cs.AI cs.LG
Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models
Duke University（杜克大学）；Microsoft Corporation（微软公司）
深度神经网络擅长理解复杂的视觉信号，其性能与人类专家不相上下，甚至更胜一筹。然而，ad-hoc模型决策的视觉解释往往揭示了一个惊人的依赖程度，利用非因果关系的视觉线索，强烈相关的目标标签在训练数据。因此，深度神经网络对从不同来源收集的新输入的泛化受到损害，并且其决策规则的逆向工程提供了有限的可解释性。为了克服这些限制，我们提出了一种新的对比学习策略，称为{ \it主动伪干预}（PPI），利用主动干预，以防止图像功能没有因果关系。我们还设计了一个新的因果通知显着性映射模块，以确定关键的图像像素进行干预，并显示它极大地促进了模型的可解释性。为了证明我们的建议的实用性，我们对标准的自然图像和具有挑战性的医学图像数据集进行基准测试。相对于竞争解决方案，PPI增强模型始终提供卓越的性能，特别是在域外预测和来自异构源的数据集成方面。此外，我们的因果训练显着性图相对于其非因果对应物更简洁和有意义。
2021-04-29 cs.AI cs.CV
Causal Intervention-Based Memory Selection for Long-Horizon LLM Agents
School of Computing, University of Georgia, Athens, Georgia, USA（佐治亚大学计算机学院）
本文提出Causal Memory Intervention（CMI）方法，通过因果推理选择大语言模型的长期记忆，以提高回答质量和鲁棒性，同时引入Causal-LoCoMo基准数据集进行评估。
2026-05-17 cs.AI cs.CL
Certifying Interventional Agreement Among Observationally Equivalent Causal Models
本文提出干预分离选择（ISS）方法，通过查询干预来认证观测等价因果模型在干预下的一致性，并在连续变量上精确判定停止条件，实验证明其能有效审计网络因果抽象。
2026-09-29 cs.AI cs.LG
Causal Intervention-based Prompt Debiasing for Event Argument Extraction
East China Normal University（华东师范大学）；Fudan University（复旦大学）
在信息抽取任务中，特别是在低数据量的情况下，基于特征的方法变得越来越流行。通过将微调任务格式化为预训练目标，基于训练的方法有效地解决了数据稀缺问题。然而，以往的研究很少探讨不同的提示形成策略之间的差异。在这项工作中，我们比较了两种提示，基于名称的提示和基于本体的提示，并揭示了如何基于本体的提示方法优于其对应的zero-shot事件参数提取（EAE）。此外，我们分析了潜在的风险，基于本体的提示通过因果的观点，并提出了一个因果干预的debias方法。在两个基准测试上的实验表明，通过我们的debias方法的修改，基线模型变得更加有效和强大，在抵抗对抗攻击显着改善。
2022-10-04 cs.AI cs.CL
Stochastic Intervention for Causal Effect Estimation
University of Technology Sydney（悉尼科技大学）
因果推理方法广泛应用于精准医疗、最优政策和经济学等决策领域。这些应用的核心是干预策略的治疗效果估计。目前的估计方法大多局限于确定性的处理，但无法解决随机空间处理策略。此外，以往的方法只能根据治疗效果做出二值的“是”或“否”决策，缺乏提供细粒度的效果估计度来解释决策过程的能力。因此，本研究提出一种新的随机倾向分数和随机干预效应估计量，将因果推理方法应用于随机干预效应的估计。同时，我们设计了一个定制的遗传算法特定的随机干预效应（Ge-SIO）的目的是提供决策的因果证据。我们提供的理论分析和进行实证研究，以证明我们提出的措施和算法可以实现显着的性能提升与国家的最先进的基线相比。
2021-05-27 cs.AI cs.LG stat.ML
CausalDetox: Causal Head Selection and Intervention for Language Model Detoxification
Department of Computer Science（计算机科学系）
本文提出CausalDetox框架，通过因果分析识别并干预导致有毒生成的特定注意力头，利用PNS方法隔离必要且充分的头部，结合局部推理干预和PNS引导微调策略，有效提升去毒效果并保持语言流畅性。
2026-04-16 cs.AI cs.CL
Active Causal Experimentalist (ACE): Learning Intervention Strategies via Direct Preference Optimization
University of Colorado Boulder（科罗拉多大学波德分校）
提出ACE框架，将实验设计建模为顺序策略，利用直接偏好优化从干预对比较中学习，在合成、物理和经济数据上以等干预预算取得70-71%的提升，并自主发现碰撞机制需集中干预父变量的理论策略。
2026-06-23 cs.AI cs.LG
Regret-Based Federated Causal Discovery with Unknown Interventions
Sorbonne Université（索邦大学）；INSERM（国家健康与医学研究院）；Institut Pierre Louis d’Epidémiologie et de Santé Publique（流行病学与公共卫生研究所）
提出I-PERI算法，通过恢复客户端图并集的CPDAG并利用跨客户端干预引起的结构差异定向额外边，得到更紧的Φ-马尔可夫等价类，解决联邦环境下未知客户端级干预的因果发现问题。
2026-05-29 cs.AI cs.LG
Interventional Experiment Design for Causal Structure Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Sharif University of Technology（谢里夫理工大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
众所周知，从纯观测数据来看，因果DAG仅可识别到其马尔可夫等价类，并且对于许多地面实况DAG，大部分边缘的方向将保持未识别。学习超越马尔可夫等价的因果DAG的黄金标准是在系统中执行一系列干预，并使用从干预分布收集的数据。我们考虑一个设置，其中给定的预算$k$，我们设计$k$干预非自适应。我们铸造的问题，找到最佳的干预目标集作为一个优化问题，其目的是最大限度地提高边缘的数量，其方向是由于执行的干预措施。首先，我们考虑的情况下，潜在的因果结构是一棵树。对于这种情况下，我们提出了一个有效的精确算法的最坏情况下的增益设置，以及平均增益设置的近似算法。然后，我们表明，所提出的平均增益设置的方法可以扩展到一般因果结构的情况下。在这种情况下，除了干预措施的设计外，计算目标函数也具有挑战性。我们提出了一个有效的精确计算器，以及两个估计这个任务。我们评估所提出的方法使用合成以及真实的数据。
2019-10-12 cs.AI cs.LG stat.ML
InterveneBench: Benchmarking LLMs for Intervention Reasoning and Causal Study Design in Real Social Systems
Fudan University（复旦大学）；Shanghai Innovation Institute（上海创新研究院）
InterveneBench通过真实社会科学研究评估LLM在干预推理和因果研究设计中的能力，发现现有模型表现不足，并提出STRIDES多智能体框架提升性能。
2026-03-16 cs.AI cs.CY
Actionable CBFI: Prescriptive Interventional Diagnosis and Interaction-Aware Escalation for Sparse Causal Algorithmic Recourse
Dankook University（檀国大学）
该研究提出A-CBFI框架，结合结构分解与因果反事实追索，在金融、医疗领域可降低76.9%主动干预负担，保持因果有效性与追索成本，实现针对性可操作的反事实追索。
2026-10-28 cs.AI cs.LG
Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery
Warsaw University（华沙大学）；IDEAS NCBR；Jagiellonian University（雅盖隆大学）；ETH Zurich（苏黎世联邦理工学院）；Helmholtz, TU Munich（慕尼黑工业大学亥姆霍兹中心）；Institute of Mathematics, Polish Academy of Sciences（波兰科学院数学研究所）
针对因果发现中干预成本高的问题，本文提出 GIT 方法，利用梯度因果发现框架的梯度估计器指导干预目标选择，并在模拟与真实数据中验证其低数据优势。
2024-04-03 cs.AI cs.LG stat.ME
Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning
Amazon（亚马逊）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出Causal Triplet基准，包含可操作反事实设置和干预性下游任务，发现解耦或对象中心表示模型优于分布式模型，但现有因果表示学习方法仍难识别潜在结构。
2023-04-03 cs.AI cs.CV cs.LG
Can Large Language Models Help Experimental Design for Causal Discovery?
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；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）
针对因果发现中干预目标选择因初始数据有限导致数值方法效果不佳的问题，提出结合大型语言模型世界知识的LeGIT框架以增强现有数值方法，在4个基准上显著提升性能并超越人类。
2025-03-04 cs.AI cs.LG stat.ME
Interventional Score Geometry for Causal Inference
University of Calgary（卡尔加里大学）
研究因果推断中仅由联合密度和得分场构建的几何无法识别因果方向的问题，开发干预类似物，定义因果影响等，引入干预响应场和因果度量，为相关设计产生几何词典，组织相关关系但未增加基本假设外的识别能力。
2026-07-27 cs.AI econ.EM stat.ME
How Reliable are Causal Probing Interventions?
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
研究通过定义完整性与选择性的权衡，评估因果探测方法的可靠性，发现非线性干预更可靠，且更完整的方法对LLM影响更大。
2025-12-22 cs.AI cs.CL cs.LG
Disentangling Mixtures of Unknown Causal Interventions
Microsoft Research（微软研究院）
在许多现实场景中，如基因敲除实验，靶向干预往往伴随着脱靶位点的未知干预。此外，不同的单位可以随机地暴露于不同的未知干预措施，从而产生干预措施的混合。识别这种混合物的不同成分在某些应用中可能非常有价值。出于这种情况下，在这项工作中，我们研究的问题，确定所有组件存在于一个给定的因果贝叶斯网络的混合干预。我们构造一个例子来说明，在一般情况下，组件是无法识别的混合分布。接下来，假设给定的网络满足一个正性条件，我们证明了，如果一组混合成分满足一个温和的排斥假设，那么它们可以被唯一识别。我们的证明给出了一个有效的算法来恢复这些目标的指数大搜索空间的可能目标。在更现实的情况下，分布是通过大量的样本，我们进行了模拟研究，分析来自我们的可识别性证明的算法的性能。
2022-10-01 cs.AI cs.LG stat.ML
Partially Intervenable Causal Models
图形因果模型导致了任意结构系统中完整的非参数识别理论的发展，以及有效推理的一般方法。然而，图形方法的因果推断还没有接受的统计和公共卫生界。在这些社区中，因果假设是以潜在结果或对假设干预的反应来表示的。这种干预措施一般只在有限的一组变量上进行概念化，原则上可以进行相应的实验。相比之下，因果推断的图形方法通常假设对所有变量的干预都是明确定义的--这是一个过于限制性和不切实际的假设，可能限制了这些方法在统计和公共卫生应用工作中的采用。在本文中，我们建立在统一的图形和潜在的结果因果关系的方法为例，单世界干预图（SWIGs）定义图形模型与一组有限的允许的干预措施。我们给出了一个完整的识别理论，这样的模型，并制定了一个完整的演算的干预措施的基础上的一个概括的做演算，和公理，管理概率运算的马尔可夫内核。我们的研究结果的一个推论是一个完整的识别理论的因果关系的影响，在另一个图形框架与一组有限的干预措施，决策理论的图形制定的因果关系。
2021-10-31 cs.AI math.ST stat.ME
Identifying biological perturbation targets through causal differential networks
提出一种受因果启发的方法，通过联合训练含噪声因果图推断与差异映射模块，在低样本高维生物数据中准确识别干预靶点，在7个单细胞数据集及多种合成数据上显著优于基线方法。
2025-05-30 cs.AI cs.LG q-bio.QM
Interventional Causal Discovery in a Mixture of DAGs
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Carnegie Mellon University（卡内基梅隆大学）；IBM Research（IBM研究院）
本文针对混合DAG因果系统的发现挑战，确立干预规模充要条件并设计自适应算法，用O(n²)干预识别真边，且在无循环时达最优。
2024-12-03 cs.AI cs.LG stat.ME
What is causal about causal models and representations?
University of Copenhagen（哥本哈根大学）；Pioneer Centre for AI（先锋人工智能中心）
本文引入形式化框架研究动作与模型干预的对应关系，证明自然解释存在循环性与不可能性结果，探讨非循环解释以实现因果模型证伪，为因果表示学习等奠定概念基础。
2026-10-19 cs.AI cs.LG math.ST
Evaluating Interventional Reasoning Capabilities of Large Language Models
Université de Montréal（蒙特利尔大学）；Mila（米拉计算科学研究所）；Google DeepMind（谷歌DeepMind）；ServiceNow Research（ServiceNow研究院）
本文研究LLMs在因果干预下的推理能力，构建涵盖多种因果图和变量类型的基准，评估六个LLMs，发现GPT模型在预测干预效应方面表现较好。
2024-12-22 cs.AI cs.CL cs.LG
Learning Linear Causal Representations from Interventions under General Nonlinear Mixing
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Carnegie Mellon University（卡内基梅隆大学）；University of Chicago（芝加哥大学）
针对高斯潜变量经任意非线性混合的场景，本文证明未知单节点、非配对干预下的因果表示可识别性，并提出对比学习算法识别潜在变量。
2023-12-18 cs.AI cs.LG math.ST
When Causal Intervention Meets Adversarial Examples and Image Masking for Deep Neural Networks
Georgia Institute of Technology（佐治亚理工学院）；IBM Research（IBM研究院）
发现和利用深层神经网络（DNN）中的因果关系是理解和推理可解释视觉模型上因果效应（CE）的关键挑战。“介入”被广泛用于认识本体论意义上的因果关系。在本文中，我们提出了一个因果推理框架的视觉推理通过做演算。为了研究因果推理对像素级特征的干预效果，我们引入了像素级掩蔽和对抗扰动。在我们的框架中，CE是使用潜在空间中的特征和基于DNN的模型的扰动预测来计算的。我们进一步提供了第一次看发现CE的不利扰动图像生成的基于梯度的方法\footnote{~~https://github.com/jjaacckkyy63/Causal-Intervention-AE-wAdvImg}的特点。实验结果表明，与传统方法相比，CE是理解DNN的有竞争力和鲁棒性的索引，例如，对于人类可解释的特征（例如，症状）推理。此外，CE有望检测对抗性示例，因为它在存在对抗性扰动的情况下具有独特的特征。
2019-06-25 cs.AI cs.CV cs.LG
Learning Unknown Intervention Targets in Structural Causal Models from Heterogeneous Data
Leiden University（莱顿大学）
针对结构因果模型中未知干预目标识别问题，提出两阶段方法，在更弱假设下得到更精准的候选目标集，实验验证了其有效性。
2024-03-09 cs.AI cs.IT cs.LG
