Graph Agnostic Causal Bayesian Optimisation
German Research Centre for Artificial Intelligence(DFKI)(德国人工智能研究中心(DFKI));University of Oxford(牛津大学);University of Kaiserslautern-Landau(凯泽斯劳滕-兰道大学)
提出图无关因果贝叶斯优化算法,在未知因果图下通过平衡探索与利用,实现累积遗憾目标下的全局优化,并在模拟和实际应用中超越基线。
2024-11-05 cs.LG stat.ML
SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(奈梅亨拉德堡德大学)
针对多变量因果发现计算需求高的问题,提出SNAP框架序贯剪枝目标的确定非祖先,可作为预处理或独立算法,大幅减少计算量与检验次数,且不影响因果效应估计质量。
2025-02-11 cs.AI cs.LG stat.ML
Bayesian causal discovery from unknown general interventions
Università Cattolica del Sacro Cuore(圣心天主教大学);Università degli Studi di Milano-Bicocca(米兰比可卡大学)
本文提出一种贝叶斯因果发现方法,在干预目标未知且允许修改父节点集合的一般干预条件下学习DAG,并给出干预马尔可夫等价类的图形刻画、兼容先验和MCMC后验近似方案。
2023-12-01 cs.LG stat.ME stat.ML
Counterfactual Explanations of Black-box Machine Learning Models using Causal Discovery with Applications to Credit Rating
Graduate School of Data Science, Shiga University(滋贺大学数据科学研究院);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
本文提出一种新颖的XAI框架,利用因果发现方法估计因果图并结合反事实概率与黑盒分类模型,解决了因果图未知时的解释难题,并在人工数据与Shiga Bank信用评级应用中验证了其有效性。
2024-04-27 cs.LG
Learning Mixtures of Unknown Causal Interventions
Massachusetts Institute of Technology(麻省理工学院);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学博德研究所);Microsoft Research(微软研究院)
针对干预数据生成受噪声干扰、呈现混合分布的问题,该研究在未知因果图的线性高斯SEMs中,证明do与软干预的分布特性可解耦混合数据,明确样本复杂度与干预强度负相关,可识别到干预马尔可夫等价类,并通过模拟验证了理论结果。
2024-10-31 cs.LG stat.ML
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
Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences
School of Computer Science, Guangdong University of Technology(广东工业大学计算机科学学院);Peng Cheng Laboratory(鹏城实验室);Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence(Mohamed bin Zayed人工智能大学机器学习系);College of Mathematics and Computer Science, Shantou University(汕头大学数学与计算机科学学院)
针对外部干扰下因果发现的挑战,该研究引入潜在变量表示未知外部因素,提出融合因果强度与邻接系数的时间潜在变量结构因果模型,并结合专家知识优化参数学习,提升了因果推断的稳定性与准确性。
2025-11-13 cs.AI cs.LG
Learning Neural Causal Models from Unknown Interventions
Mila, Université de Montréal(蒙特利尔大学 Mila 研究院);Mila, Polytechnique Montréal(蒙特利尔理工学院 Mila 研究院);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Google AI(谷歌人工智能);Element AI
有希望的结果已经推动了最近的兴趣激增,从观测数据中学习贝叶斯网络结构的连续优化方法。然而,仅从观测数据获得的潜在结构的可识别性存在理论上的限制。介入数据提供了关于基本数据生成过程的更丰富的信息。然而,扩展和应用为观测数据设计的方法以包括干预措施并不简单,仍然是一个悬而未决的问题。在本文中,我们提供了一个通用的框架,基于连续优化和神经网络创建模型的组合观察和干预数据。所提出的方法甚至适用于具有挑战性和现实的情况下,干预后的变量是未知的。我们研究所提出的方法,在设置图恢复从头和从一个部分已知的边缘集。我们建立了强大的基准测试结果的几个结构学习任务,包括结构恢复的合成图以及标准图的贝叶斯网络知识库。
2020-08-23 cs.AI cs.LG stat.ML
An Analysis of the Adaptation Speed of Causal Models
Mila, Université de Montreal(蒙特利尔大学Mila研究所);SAIT AI Lab, Montreal(蒙特利尔SAIT人工智能实验室)
考虑由未知结构因果模型$G$上的未知干预生成的数据集集合。最近,Bengio等人(2020)证实,在所有候选模型中,$G$是从一个数据集适应到另一个数据集最快的模型,并且有希望进行实验。事实上,直观上$G$具有较少的适应机制,但这种论证是不完整的。我们的贡献是对这一假设进行更彻底的分析。我们调查的因果SCM的适应速度。使用从随机最优化的收敛速度,我们证明,一个相关的代理适应速度是干预后的参数空间中的距离。应用此代理分类和正常的因果模型,我们显示了两个结果。当干预是在原因变量上时,具有正确因果方向的SCM被一个大的因子所取代。当干预是在效应变量上时,我们描述了相对适应速度。令人惊讶的是,我们发现反因果模型是错误的,伪造了最初的假设。复制实验的代码可在www.example.com上获得
2021-02-25 cs.LG stat.ML
Hybrid Top-Down Global Causal Discovery with Local Search for Linear and Nonlinear Additive Noise Models
Cornell Tech(康奈尔科技学院);Tsinghua University(清华大学);University of Chicago(芝加哥大学)
针对现有因果发现方法的维度灾难与强参数假设问题,提出结合局部子结构的混合全局因果发现方法,含层级拓扑排序与局部剪边算法,有理论保证且合成数据实验表现更优。
2025-01-13 cs.LG
Equilibrium Causal Games: Separation, Identification, and the Identifiability of Cyclic Latent States
Department of Mechanical & Industrial Engineering, Montana State University(机械与工业工程系,蒙大拿州立大学);Gianforte School of Computing, Montana State University(计算机学院,蒙大拿州立大学)
研究平衡因果博弈中,通过结合博弈与多种模型及规则,探讨在不同条件下因果关系的分离、识别等问题,包括线性和非线性传感情况,明确平衡数据能支持的因果结论及需针对性实验的情况。
2026-07-23 cs.LG cs.SY eess.SY
Causal Discovery via Transformed Low-Rank Quantile Surfaces
Shiga University(滋贺大学);RIKEN AIP(理化学研究所人工智能研究中心);The University of Osaka(大阪大学)
提出低秩分位数曲面模型,通过非参数拟合实现因果方向识别,在分布形状超出位置-尺度假设时表现优异。
2026-10-22 cs.AI cs.LG stat.ME
Causal Entropy Optimization
University of Edinburgh(爱丁堡大学);The Alan Turing Institute(艾伦·图灵研究所);University of Warwick(华威大学)
我们研究的问题,全局优化的因果效应的目标变量的一个未知的因果图中,可以进行干预。这个问题出现在许多科学领域,包括生物学、运筹学和医疗保健。我们提出了因果熵优化(CEO),一个框架,概括因果贝叶斯优化(CBO)占所有来源的不确定性,包括从因果图结构所产生的。CEO将因果结构的不确定性纳入到因果效应的代理模型和通过信息理论获取函数选择干预措施的机制中。由此产生的算法自动权衡结构学习和因果效应优化,同时自然地考虑观察噪声。对于各种合成和现实世界的结构因果模型,与CBO相比,CEO实现了更快的收敛到全局最优值,同时还学习了图形。此外,我们的结构学习和因果优化的联合方法改进了顺序的结构学习优先方法。
2022-08-23 cs.LG stat.ML
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
Amortized Bayesian Causal Discovery of Extended Factor Graphs
University of Michigan(密歇根大学)
研究从干预数据学习因果图的难题,提出扩展因子图的摊销贝叶斯因果发现方法(ABCDEFG),可处理大规模图及未知干预目标,保证无环性,估计后验分布,在模拟和实际数据上表现优异,能识别基因靶点。
2026-07-28 cs.LG q-bio.MN stat.ML
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
CDFM: Towards a General-Purpose Causal Discovery Foundation Model
School of Computer Science, Guangdong University of Technology, Guangzhou, China(广东技术大学计算机科学学院);College of Mathematics and Computer, Shantou University, Shantou, China(汕头大学数学与计算机学院);Department of Computer Science and Technology, Tsinghua University, Beijing, China(清华大学计算机科学与技术系)
研究针对因果发现中特定数据集方法的局限,提出通用框架CDFM,通过研究因果可识别性理论边界构建变分框架,将未知因果机制视为潜在变量,经大量合成模型预训练,性能优于传统算法,推动因果发现范式转变。
2026-07-14 cs.AI cs.LG stat.ML
Probabilistic Active Learning of Functions in Structural Causal Models
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)
我们考虑的问题,学习的功能计算儿童从父母的结构因果模型,一旦潜在的因果图已被确定。这在某种意义上是因果发现之后的第二步。以概率的方法来估计这些功能,我们得出一个自然的近视主动学习计划,确定的干预,这是最佳的信息,所有的未知功能联合,以前观察到的数据。我们测试派生的算法简单的例子,证明他们产生一个结构化的探索政策,显着改善非结构化的基线。
2017-06-30 cs.AI cs.LG stat.ML
Discovering Optimal Scoring Mechanisms in Causal Strategic Prediction
Carnegie Mellon University(卡内基梅隆大学)
面对数据驱动的政策,个人将操纵他们的特征以获得有利的决策。虽然早期的作品将这些操纵视为不受欢迎的游戏,但最近的作品采用了更微妙的因果框架,其中操纵可以改善感兴趣的结果,并且设置连贯的机制需要考虑预测准确性和结果的改善。通常情况下,这些作品集中在已知的因果图,只包括一个结果和它的父母。在本文中,我们介绍了一个一般的框架,其中一个结果和n个观察到的功能是由一个任意的未知图和操纵的限制由一个固定的预算和成本结构。我们开发的算法,利用战略反应,发现在有限数量的步骤的因果图。有了这个图结构,我们就可以推导出在准确性和改进之间进行权衡的机制。总之,我们的工作加深了因果发现和激励设计之间的联系,并提供了一个更细致入微的因果战略预测下的学习观。
2023-02-21 cs.LG stat.ME
Causal Bandits with General Causal Models and Interventions
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM Research(IBM研究院)
研究未知一般Lipschitz结构因果模型与无限广义软干预下的因果老虎机,给出由图参数、eluder维数和覆盖数刻画的累积遗憾上下界。
2024-03-01 cs.LG stat.ML
Causal Discovery in High-Dimensional Point Process Networks with Hidden Nodes
University of Washington(华盛顿大学)
由于技术的进步,导致近连续的时间观测,新兴的多变量点过程数据提供了新的机会,因果发现。然而,实现这一目标的一个关键障碍是,许多相关进程在实践中可能得不到遵守。由于未调整的混杂因素,忽略这些隐藏变量的朴素估计方法可能会产生误导性结果。为了填补这一空白,我们提出了一个去创建过程来估计高维点过程网络,只有一个子集的节点被观察到。我们的方法允许观察到的和未观察到的过程之间的灵活连接。它还允许未观察到的进程的数量是未知的,并且可能大于观察到的节点的数量。理论分析和数值研究突出了所提出的方法在确定所观察到的过程之间的因果相互作用的优势。
2021-09-22 cs.LG stat.ML
Differentiable Causal Discovery Under Latent Interventions
LUMLIS (Lisbon ELLIS Unit)(里斯本ELLIS单元LUMLIS);Instituto de Telecomunicações(电信研究所);Unbabel(Unbabel公司)
最近的工作表明,即使在干预变量未知的情况下,通过利用基于梯度的方法的干预数据,在因果发现方面也取得了可喜的成果。然而,以前的工作假设样本和干预措施之间的对应关系是已知的,这往往是不现实的。我们设想一个场景,从多个干预分布和一个观察分布中采样大量数据集,但我们不知道每个样本的来源分布以及干预如何影响系统\textit{i.e.},干预完全是潜在的。我们提出了一种基于神经网络和变分推理的方法,该方法通过将其构建为学习干预结构因果模型的无限混合物(根据狄利克雷过程先验)之间的共享因果图来解决这种情况。合成和真实数据的实验表明,我们的方法及其半监督变体能够在这种具有挑战性的情况下发现因果关系。
2022-03-04 cs.LG stat.ME
Relaxing Faithfulness with Intervention-Only Causal Discovery
Thayer School of Engineering Dartmouth College(达特茅斯学院塞耶工程学院);Broad Institute of MIT and Harvard(麻省理工学院和哈佛大学布罗德研究所);Massachusetts Institute of Technology(麻省理工学院)
研究因果发现算法,指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设,表明其足以用硬干预非参数识别因果结构,将干预作为因果结构信息主要载体,还针对干预范围有限情况指定等价类。
2026-07-14 cs.LG stat.ML
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
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
Auditing Path-Specific Fairness Across Causal Discovery Algorithms: A Heart Failure Case Study
University of California Irvine(加州大学尔湾分校);University of Orléans(奥尔良大学)
本文评估了三种因果发现算法在结构恢复和路径特定公平分解中的表现,发现Peter-Clark在合成数据中表现最佳,Fast Causal Inference在心力衰竭数据中效用最高,路径特定效应分析揭示了公平-效用比的差异。
2026-11-19 cs.AI cs.LG
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
Causal Effect Inference with Deep Latent-Variable Models
University of Amsterdam(阿姆斯特丹大学);TNO Intelligent Imaging(荷兰应用科学研究组织智能成像);New York University(纽约大学);CIMS(库朗数学科学研究所);Massachusetts Institute of Technology(麻省理工学院);CSAIL & IMES(计算机科学与人工智能实验室与医学工程与科学研究所);University of Toronto(多伦多大学);CIFAR(加拿大高等研究院)
从观察数据中学习个体水平的因果效应,例如推断对特定患者最有效的药物,对政策制定者来说是一个越来越重要的问题。从观察数据中推断因果效应的最重要方面是处理混杂因素,即影响干预及其结果的因素。一项精心设计的观察性研究试图测量所有重要的混杂因素。然而,即使不能直接获得所有混杂因素,也可能存在混杂因素代理的噪声和不确定测量。我们建立在潜变量模型的最新进展,同时估计未知的潜在空间总结的混杂因素和因果关系的影响。我们的方法是基于变分自编码器(VAE),遵循因果结构的推理代理。我们表明,我们的方法比现有的方法显着更强大,并匹配国家的最先进的集中在个人处理效应以前的基准。
2017-11-06 cs.LG stat.ML
FairPFN: A Tabular Foundation Model for Causal Fairness
ELLIS Institute Tübingen(图宾根ELLIS研究所);University of Freiburg(弗赖堡大学);Prior Labs(Prior实验室);Meta
针对因果公平方法依赖已知因果模型的问题,本文提出在合成因果公平数据上预训练的表格基础模型 FairPFN,可在无因果模型先验知识时识别并消除受保护属性的因果效应。
2025-06-08 cs.CY cs.LG
From Local to Cluster: A Unified Framework for Causal Discovery with Latent Variables
Zongyu Li(李宗宇)
本文提出L2C框架,通过自动发现局部因果模式来实现集群层面的因果发现,无需假设因果充分性,理论分析证明其正确性与效率,实验验证其在合成和真实数据中优于现有方法。
2026-08-12 cs.AI cs.LG
Achieving Counterfactual Fairness with Imperfect Structural Causal Model
University of Technology Sydney(悉尼科技大学);Curtin University(科廷大学)
反事实公平性是指模型对现实世界(观察数据)中的个体的预测与反事实世界(即,如果该人属于其他敏感群体,该怎么办?现有的研究需要预先定义结构因果模型,以捕捉变量之间的相关性进行反事实推理;然而,潜在的因果模型通常是未知的,并且难以在现实世界中验证。此外,因果模型的错误设定可能会导致模型预测性能低下,从而做出不公平的决策。在这项研究中,我们提出了一种新的极小极大博弈理论模型的反事实的公平性,可以产生准确的结果,同时实现一个反事实的公平决策与结构因果模型的强假设放松。此外,我们还从理论上证明了所提出的minimax模型的误差界。在多个真实世界数据集上的实证实验表明,我们在准确性和公平性方面都有出色的表现。源代码可从\url{https://github.com/tridungduong16/counterfactual_fairness_game_theoretic}获得。
2023-03-26 cs.AI cs.CY cs.LG
Causal Structure Learning for Dynamical Systems with Theoretical Score Analysis
CaDyT通过理论分数分析方法,改进动态系统因果结构学习,优于现有方法,适用于规则和非规则采样数据。
2025-12-16 cs.AI cs.LG math.DS
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
Optimal Experiment Design for Causal Discovery from Fixed Number of Experiments
University of Illinois at Urbana-Champaign(伊利诺伊大学香槟分校)
我们研究了当实验者被允许以非自适应的方式进行至多$M$实验时,一组随机变量的因果结构学习问题。我们认为最佳的学习策略,最大限度地减少部分的结构,仍然是未知的实验在贝叶斯和极大极小设置的数量有限。我们描述了理论上的最优解,并提出了一种算法,该算法有效地设计了实验的时间复杂度。我们表明,有界度图,在极大极小的情况下,在贝叶斯的情况下,均匀先验,我们提出的算法是一个$ρ$近似算法,其中$ρ$是独立的底层图的顺序。对模拟数据和实际数据的仿真表明,该算法的性能非常接近最优解。
2017-02-27 cs.AI cs.LG stat.ML
$\texttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery
Technical University of Munich(慕尼黑工业大学);Robert Bosch GmbH(罗伯特·博世有限公司);University of Applied Sciences Kempten(肯普滕应用科学大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文提出Python库$\ exttt{causalAssembly}$,基于装配线真实数据与物理因果关系,利用分布随机森林生成半合成数据,以支持因果发现算法的基准测试。
2024-02-14 cs.LG stat.ME stat.ML
Learning Latent Causal Structures with a Redundant Input Neural Network
University of Pittsburgh(匹兹堡大学)
大多数因果发现算法在一组观测变量中发现因果结构。学习潜在变量之间的因果结构仍然是一个重要的开放问题,特别是在使用高维数据时。在本文中,我们解决了一个问题,它是已知的输入导致输出,这些因果关系编码的因果网络之间的一组未知数量的潜在变量。我们开发了一个深度学习模型,我们称之为冗余输入神经网络(RINN),它具有修改后的架构和正则化的目标函数,以找到输入,隐藏和输出变量之间的因果关系。更具体地说,我们的模型允许输入变量直接与神经网络中的所有潜变量交互,以影响潜变量应该编码什么信息,以便准确地生成输出变量。在这种情况下,输入变量和潜变量之间的直接联系使得潜变量部分可解释;此外,神经网络中潜变量之间的连接性用于对它们彼此之间以及与输出变量之间的潜在因果关系进行建模。一系列的仿真实验表明,RINN方法能够成功地恢复输入输出变量之间的潜在因果结构。
2020-09-08 cs.LG cs.NE q-bio.MN
The causal structure of galactic astrophysics
本文提出利用因果发现方法揭示银河系数据中变量间的因果关系,以区分物理机制,弥补传统相关性分析的不足。
2026-03-13 astro-ph.CO astro-ph.GA cs.LG
Causal Bandits with Unknown Graph Structure
University of Michigan(密歇根大学);Adobe Inc.(Adobe公司)
在因果强盗问题中,行动集由因果图的变量上的干预组成。最近,一些研究人员研究了此类强盗问题,并指出了它们的实际应用。然而,所有现有的作品都依赖于一个限制性的和不切实际的假设,即学习者预先获得因果图结构的全部知识。在本文中,我们开发了新的因果强盗算法不知道因果图。我们的算法适用于因果树,因果森林和一般类的因果图。我们的算法的遗憾保证大大提高了标准的多臂强盗(MAB)算法在温和的条件下。最后,我们证明我们的温和的条件是必要的:没有他们不能做得比标准的MAB算法。
2021-11-09 cs.LG stat.ML
Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data
Texas A&M University(德克萨斯农工大学);Brookhaven National Laboratory(布鲁克海文国家实验室)
本文针对未知干预目标下的Granger因果推断问题,提出一种利用异构干预时间序列数据同时学习因果结构和识别干预目标的理论方法,并证明两者可相互促进,实验表明其优于多个稳健基线方法。
2024-06-14 cs.LG
Learning nonparametric latent causal graphs with unknown interventions
University of Chicago(芝加哥大学)
该研究确立了无参数假设、隐变量数量未知且存在未知干预的通用设定下,隐变量因果图的非参数可识别条件,引入全新图论概念完成构造性证明,首次刻画了无忠实性假设下因果表征的可识别性。
2023-11-03 cs.LG stat.ML
Causal Reinforcement Learning for Optimisation of Robot Dynamics in Unknown Environments
Cranfield University(克兰菲尔德大学)
针对机器人在未知环境中因缺乏交互动力学认知而难以自主操作的问题,提出一种新颖的因果强化学习架构,通过学习物体视觉特征与交互动力学的因果关系优化决策,在城市场景中使学习时间降低24.5%以上。
2024-09-20 cs.LG cs.RO
Causal Network Learning from Multiple Interventions of Unknown Manipulated Targets
Peking University(北京大学)
在本文中,我们讨论了因果网络的结构学习从外部干预实验中获得的多个数据集,我们不知道什么变量被操纵。例如,这些实验中的条件通过改变温度或使用药物来改变,但我们不知道外部干预措施操纵了哪些目标变量。从这样的数据集,结构学习变得更加困难。对于这种情况,我们首先讨论因果结构的可识别性。接下来,我们提出了一个图合并的方法来学习因果网络的情况下,样本量是大的这些干预措施。然后,对于这些干预措施的样本量相对较小的情况下,我们提出了一个数据池的方法来学习因果网络,我们池这些干预措施的所有数据集在一起的学习。此外,我们提出了一种重新采样的方法来评估的因果网络的边缘学习的数据池方法。最后,我们通过仿真来说明所提出的学习方法。
2016-10-27 cs.LG stat.ML
Causal Bayesian Optimization with Unknown Graphs
Imperial College London(帝国理工学院);Technical University of Munich (TUM)(慕尼黑工业大学(TUM))
针对因果图未知的现实场景,提出无需先验图结构的因果贝叶斯优化方法,通过贝叶斯推断目标变量直接父节点并优化结果,线性情形给出闭式解,非线性用高斯过程近似,性能与基准相当且可扩展。
2025-03-25 cs.LG stat.ML
Causal Bandit Over Unknown Graphs: Upper Confidence Bounds With Backdoor Adjustment
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文研究了在未知因果图下的因果投递问题,提出BA-UCB算法,通过结合观测和实验数据识别后门调整集,改进累积遗憾的上界并降低对干预臂数量的依赖。
2026-04-03 cs.LG stat.ME
Additive Causal Bandits with Unknown Graph
DeepMind(深度思维)
针对因果图未知的因果老虎机最优干预选择难题,提出加性假设下的动作消除算法,无需显式学习结果父节点即可找到最优干预,给出样本复杂度界并通过实验验证。
2023-06-13 cs.LG stat.ML
Linear Causal Bandits: Unknown Graph and Soft Interventions
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文针对未知因果图与未知随机干预模型的一般线性因果老虎机问题,提出计算高效算法,并给出匹配的遗憾上界与极小极大下界,揭示图规模影响随轮次减弱。
2024-11-04 cs.LG stat.ML
Mechanism Learning: reverse causal inference in the presence of multiple unknown confounding through causally weighted Gaussian mixture models
提出机制学习方法,利用因果加权高斯混合模型(CW-GMMs)对观测数据去混杂,使机器学习模型在多重未知混杂下学习结果到原因的反向因果预测关系,实现无偏因果推断。
2025-11-02 cs.LG math.PR stat.ML
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
Linear Causal Representation Learning from Unknown Multi-node Interventions
Rensselaer Polytechnic Institute(伦斯勒理工学院);Carnegie Mellon University(卡内基梅隆大学);Google DeepMind(谷歌DeepMind)
研究未知多节点干预下的线性因果表征学习,证明软干预可达祖先级辨识、硬干预可完全辨识,并给出实现该保证的算法。
2024-12-05 cs.LG stat.ML
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
Learning Latent Causal Dynamics
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)
时间序列建模的一个关键挑战是如何在未知的分布变化下学习和快速校正模型。在这项工作中,我们提出了一个原则性的框架,称为LiLY,首先恢复时间延迟的潜在因果变量,并确定它们的关系,从测量的时间数据下不同的分布变化。然后,校正步骤被公式化为利用来自新环境的几个样本学习低维变化因子,利用所识别的因果结构。具体而言,该框架分解未知的分布转变为过渡分布变化所造成的固定动态和随时间变化的潜在因果关系,并通过全球观测的变化。本文从非参数潜在因果动态的非线性混合出发,建立了非参数潜在因果动态在固定动态和变化动态下的可辨识性理论。通过实验,我们表明,时间延迟的潜在因果影响可靠地识别从不同的分布变化下的观测变量。通过利用这种变化的模块化表示,我们可以有效地学习在未知的分布变化下仅用少量样本来校正模型。
2022-02-23 cs.AI cs.LG stat.ML
Temporally Disentangled Representation Learning under Unknown Nonstationarity
Carnegie Mellon University(卡内基梅隆大学);Salesforce Research(Salesforce研究院);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文研究非平稳序列数据中时间延迟潜在因果变量的可辨识性,提出NCTRL估计框架,无需辅助变量即可从非线性混合中恢复潜在变量并识别因果关系,实验证明其显著优于现有基线。
2024-08-01 cs.LG stat.ML
Causal Bandits: The Pareto Optimal Frontier of Adaptivity, a Reduction to Linear Bandits, and Limitations around Unknown Marginals
University of Toronto(多伦多大学);Vector Institute(向量研究院);Ben-Gurion University(本-古里安大学)
本文研究多臂赌博机中因果结构的自适应问题,建立了自适应率的帕累托最优前沿,首次通过归约到线性赌博机获得实例相关界,并揭示了未知边际分布对改进极小极大率的根本限制。
2024-07-01 cs.LG stat.ML
Causal-StoNet: Causal Inference for High-Dimensional Complex Data
Purdue University(普渡大学)
本文提出Causal-StoNet方法,结合稀疏深度学习与随机神经网络,在高维、非线性且可能含缺失值的数据中进行因果推断,并通过数值实验验证其优于现有方法。
2024-03-27 cs.LG stat.ML