Beyond Directed Acyclic Graphs: Causal Zeros and Causal Differential Equations
研究珀尔结构因果模型的限制,针对对称物理经济约束及有限传播状态空间系统的问题,通过扩展因果模型和因果微分方程,添加激活算子等方法,给出扩展do-演算等内容,突破现有框架限制。
2026-07-28 cs.LG
Local Causal Discovery with Linear non-Gaussian Cyclic Models
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)
本文提出一种适用于线性非高斯模型的统一局部因果发现方法,通过扩展独立成分分析至独立子空间分析,实现从目标变量的马尔可夫毯中精确识别局部有向结构和因果强度,并在无环场景下提供基于回归的替代方法。
2024-03-21 cs.AI cs.LG
Causal discovery of linear acyclic models with arbitrary distributions
Carnegie Mellon University(卡内基梅隆大学);University of Helsinki(赫尔辛基大学);Osaka University(大阪大学)
数据分析的一个重要任务是发现观测变量之间的因果关系。对于连续值数据,线性非循环因果模型通常用于建模数据生成过程,并且此类模型的推断是一个研究得很好的问题。然而,现有的方法具有显著的局限性。基于条件独立性的方法(Spirtes et al. 1993; Pearl 2000)无法区分独立性等效模型,而纯粹基于独立成分分析的方法(Shimizu et al. 2006)不适用于部分高斯数据。在本文中,我们概括并结合了这两种方法,以产生一种能够在许多情况下学习模型结构的方法,对于这些情况,以前的方法提供的答案要么是不正确的,要么不是尽可能的信息。当两个不同的模型代表同一个分布家族时,我们给出了精确的图形条件,并通过全面的模拟实证证明了我们方法的强大功能。
2012-06-13 cs.AI cs.LG stat.ML
PACER: Acyclic Causal Discovery from Large-Scale Interventional Data
Swiss Federal Technology Institute of Lausanne (EPFL), Switzerland(瑞士联邦理工学院洛桑分校);Cornell University, USA(康奈尔大学);ETH Zurich, Zurich, Switzerland(苏黎世联邦理工学院)
PACER通过构建无环性保证的因果发现框架,在大规模高维干预数据中实现高效且准确的因果结构推断,优于现有方法。
2026-05-14 cs.AI cs.LG q-bio.MN
Combining Linear Non-Gaussian Acyclic Model with Logistic Regression Model for Estimating Causal Structure from Mixed Continuous and Discrete Data
RIKEN AIP Center(理化学研究所人工智能项目中心);Shiga University(滋贺大学)
从观测数据中估计因果模型是数据分析中的一项重要任务。对于连续值数据,Shimizu等人提出了一种线性非循环非高斯模型来理解数据生成过程,并表明当数据数量足够大时,他们的模型是可识别的。然而,连续变量和离散变量共存于同一问题中的情况在实践中很常见。大多数现有的因果发现方法或者忽略离散数据并应用连续值算法,或者将所有连续数据离散化,然后应用离散贝叶斯网络方法。这些方法在忽略离散数据或离散化引入近似误差时,可能会丢失重要信息。在本文中,我们定义了一个新的混合因果模型,它包括连续和离散变量。该模型假设:(1)连续变量的值是其父变量加上非高斯噪声的线性函数,以及(2)每个离散变量是逻辑变量,其分布参数取决于其父变量的值。此外,我们推导出BIC评分函数的模型选择。新算法可以从连续和离散数据中学习因果结构,而不需要离散化。我们通过全面的模拟经验证明了我们的方法的力量。
2018-02-16 cs.AI cs.LG stat.ML
Discovering causal structures in binary exclusive-or skew acyclic models
The Institute of Scientific and Industrial Research, Osaka University(大阪大学产业科学研究所);Graduate School of Science, Osaka University(大阪大学研究生院);Graduate School of Informatics, Kyoto University(京都大学情报学研究科)
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要课题。最近,一些技术,发现一个可识别的因果结构已被探索的基础上观察到的数据分布的非高斯性。然而,其中大多数仅限于连续数据。在本文中,我们提出了一种新的因果模型的二进制数据,并提出了一种新的方法来获得一个可识别的因果结构的基础上偏伯努利分布的外部噪声的数据。实验评估表明,人工和现实世界的数据集的优异性能。
2012-02-14 cs.LG stat.ML
Causality Learning With Wasserstein Generative Adversarial Networks
University of Strathclyde(思克莱德大学)
由于组合搜索空间,从数据中学习因果结构的传统方法面临重大挑战。最近,这个问题已经被制定成一个连续的优化框架与无环约束学习有向无环图(DAG)。这样的框架允许利用深度生成模型进行因果结构学习,以更好地捕捉数据样本分布和DAG之间的关系。然而,到目前为止,还没有研究在因果结构学习的背景下使用Wasserstein距离进行实验。我们的模型名为DAG-WGAN结合了Wasserstein的对抗损失与自动编码器架构中的非循环约束。它同时学习因果结构,同时提高其数据生成能力。我们比较了DAG-WGAN与其他不涉及Wasserstein度量的模型的性能,以确定其对因果结构学习的贡献。根据我们的实验,我们的模型在高基数数据下表现得更好。
2022-06-03 cs.AI cs.LG stat.ME
Causal Discovery in a Binary Exclusive-or Skew Acyclic Model: BExSAM
Institute of Scientific and Industrial Research, Osaka University(大阪大学产业科学研究所);Graduate School of Science, Osaka University(大阪大学理学研究科);Graduate School of Informatics, Kyoto University(京都大学信息学研究科)
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要目标。最近,一些技术,发现一个独特的因果模型已被探索的基础上观察到的数据分布的非高斯性。然而,其中大多数仅限于连续数据。在本文中,我们提出了一种新的因果模型的二进制数据,并提出了一种有效的新方法来推导唯一的因果模型下的偏态分布的外部二进制噪声的给定的二进制数据集。实验评估表明,人工和现实世界的数据集的优异性能。
2014-01-22 cs.LG stat.ML
Foundations of Structural Causal Models with Cycles and Latent Variables
University of Amsterdam(阿姆斯特丹大学)
结构因果模型(SCM),也称为(非参数)结构方程模型(SEM),广泛用于因果建模目的。特别是,非循环SCM,也被称为递归SEM,形成了一个研究得很好的SCM子类,概括了因果贝叶斯网络,以允许潜在的混淆。在本文中,我们调查SCM在一个更一般的设置,允许潜在的混杂因素和周期的存在。我们发现,在周期的存在下,非循环SCM的许多方便的性质一般不成立:它们不总是有一个解决方案;他们不总是诱导唯一的观察,干预和反事实的分布;边缘化并不总是存在,如果它存在的边际模型并不总是尊重潜在的投影;他们并不总是满足一个马尔可夫性;并且它们的图并不总是与它们的因果语义一致。我们证明,在一般情况下,这些属性的SCM不持有在一定的可解性条件。我们的工作概括了SCM的结果与周期,只有已知的某些特殊情况下,到目前为止。我们介绍了类的简单SCM,扩展类的非循环SCM的循环设置,同时保留了许多方便的性质的非循环SCM。在本文中,我们的目标是提供一个一般的理论与SCM的统计因果建模的基础。
2021-11-22 cs.AI cs.LG stat.ME
Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders
RIKEN(理化学研究所);Shiga University(滋贺大学)
从受潜在混杂因素影响的数据中发现因果关系是一个重要而困难的挑战。基于因果函数模型的方法还没有被用来呈现变量的关系受到潜在的混杂因素,而一些基于约束的方法可以呈现它们。本文提出了一种基于因果函数模型的方法,称为重复因果发现(RCD)发现的因果结构的观察变量的潜在混杂因素的影响。RCD重复推断少量观察变量之间的因果关系,并确定这些关系是否受到潜在混杂因素的影响。RCD最终产生因果图,其中双向箭头指示具有相同潜在混杂因素的变量对,并且有向箭头指示不受相同潜在混杂因素影响的变量对的因果方向。使用模拟数据和真实世界数据的实验验证结果证实,RCD是有效的,在识别潜在的混杂因素和观察变量之间的因果关系的方向。
2020-11-04 cs.LG stat.ML
DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis
University of Strathclyde(斯特拉斯克莱德大学)
本文提出DAGAF框架,通过双重步骤在多种因果模型假设下实现因果结构学习和表格数据合成,实验表明其在结构学习上优于现有方法,且能生成高质量样本。
2026-04-05 cs.LG
Learning linear acyclic causal model including Gaussian noise using ancestral relationships
Graduate School of Informatics, Kyoto University(京都大学信息学研究生院);Institute for Liberal Arts and Sciences, Kyoto University(京都大学文科艺术研究院)
本文提出一种时间复杂度低于PC-LiNGAM的算法,用于学习线性因果模型的分布等价模式,通过改进的因果祖先寻找算法处理高斯扰动。
2024-08-31 cs.LG stat.ME
Bayesian Discovery of Linear Acyclic Causal Models
Helsinki Institute for Information Technology(赫尔辛基信息技术研究所);University of Helsinki(赫尔辛基大学)
从非干预性数据中自动发现因果关系的方法最近受到了广泛关注。线性非循环因果模型(递归结构方程模型)是一种广泛使用且易于理解的模型族。对于高斯数据,两种基于约束的方法(Spirtes等人,一九九三年; Pearl,2000年)(输出一个单一的等价类)和基于贝叶斯评分的方法(Geiger和Heckerman,1994年)(为等价类分配相对评分)。相反,能够利用数据中的非高斯性的所有当前方法(Shimizu等人,2006; Hoyer等人,2008)总是只返回一个图或一个等价类,因此根本无法表达输出的确定性程度。在本文中,我们开发了一个贝叶斯评分为基础的方法,能够利用非高斯估计线性非循环因果模型时,我们的经验表明,至少在非常适度的规模的网络,其准确性是一样好或优于现有的方法。我们提供了一个完整的代码包(在R),实现所有的算法,并执行所有的分析提供的文件,并希望这将进一步应用这些方法来解决因果推断问题。
2012-05-09 cs.LG stat.ME stat.ML
Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models
Technical University of Munich(慕尼黑工业大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出基于再生核希尔伯特空间和偏导数稀疏正则化的非参数因果发现方法,采用对数行列式无环约束,并通过RKHS-DAGMA程序验证其性能。
2024-08-20 cs.LG stat.ML
Data-Driven and Cycle-Agnostic Covariate Selection for Nonparametric Causal Effect Estimation
Leiden University(莱顿大学)
本文提出一种基于条件独立性的本地数据驱动方法,用于非参数和周期无关的因果效应估计,证明其在存在循环因果模型时的有效性,并通过合成数据验证了方法的可靠性。
2026-11-05 cs.LG
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
Aalto University(艾罗大学);University of Melbourne(墨尔本大学);Manchester University(曼彻斯特大学);Ellis Institute(埃利斯研究所)
本文提出基于贝叶斯实验设计原则和变分混合结构学习方法,用于处理异质领域的因果发现问题,通过专家反馈构建信息图先验,提升异质合成数据的结构学习性能,并在乳腺癌数据库中捕捉复杂分布。
2026-04-29 cs.LG stat.ME
GFlowCausal: Generative Flow Networks for Causal Discovery
National University of Singapore(新加坡国立大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
因果发现旨在揭示一组变量之间的因果结构。基于得分的方法主要集中在搜索最佳的有向无环图(DAG)的基础上预定义的得分函数。然而,由于搜索能力有限,它们中的大多数都不适用于大规模。受生成流网络中主动学习的启发,我们提出了一种新的方法来学习一个DAG从观测数据称为GFlowCausal。它将图的搜索问题转化为生成问题,在生成问题中,直接边是逐渐增加的。GFlowCausal的目标是学习最佳策略,通过顺序动作生成高回报的DAG,其概率与预定义的奖励成比例。我们提出了一个基于传递闭包的即插即用模块,以确保有效的采样。理论分析表明,该模块能有效地保证图的无环性和最终状态与全连通图的一致性。我们在合成和真实数据集上进行了广泛的实验,结果表明所提出的方法是优越的,在大规模环境中也表现良好。
2023-03-10 cs.AI cs.LG
DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
IIIT Delhi(德里印度信息技术学院);IIIT Guwahati(古瓦哈提印度信息技术学院)
观察性生存数据的因果结构提供了关于协变量与至事件发生时间之间关系的关键信息。我们从信息理论的信源编码参数的动机,并表明,将知识的有向无环图(DAG)可以是有益的,如果采用合适的源编码器。作为一个可能的源编码器在这种情况下,我们推导出一个变分推理为基础的条件变分自编码器的因果结构化生存预测,我们称之为DAGSurv。我们说明了DAGSurv在低维和高维合成数据集以及METABRIC和GBSG等真实数据集上的性能。我们证明了所提出的方法优于其他生存分析基线,如Cox比例风险,DeepSurv和Deephit,这些基线忽略了数据实体之间的潜在因果关系。
2021-11-02 cs.LG stat.ML
Functional Linear Non-Gaussian Acyclic Model for Causal Discovery
Graduate School of Engineering Science Osaka University(大阪大学工学研究科);Department of Statistics, Operations, and Data Science(统计学、运营与数据科学系);Machine Learning Department(机器学习系);Carnegie Mellon University(卡内基梅隆大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·拉希德智能大学)
本文提出函数型线性非高斯无环模型(Func-LiNGAM),将因果发现扩展至无限维函数数据,并利用函数型主成分分析解决稀疏性问题,在合成数据和fMRI数据上验证了其有效性。
2024-01-17 cs.LG math.ST q-bio.NC
Sequentially learning the topological ordering of causal directed acyclic graphs with likelihood ratio scores
University of California, Los Angeles(加州大学洛杉矶分校)
因果发现,在数据挖掘场景中学习因果关系,作为识别“什么导致什么”的起点,一直具有强烈的科学和理论兴趣。取决于假设和适当的学习算法,有时可以识别和准确估计因果有向无环图(DAG),而不是给出因果方向模糊性的马尔可夫等价类图。本文的重点是在突出的可识别性和估计的DAG一般误差分布通过一般顺序排序程序,顺序变量一次一个,从根节点开始,其次是根节点的孩子,等等,直到完成。我们展示了一个新的应用程序,这种一般的方法来估计拓扑有序的DAG。在该过程的每个步骤中,仅对回归残差计算简单的似然比分数,以决定要附加到当前偏序的下一个节点。我们的算法在p-节点问题上的计算复杂度是O(pd),其中d是最大邻域大小。在温和的假设下,我们的程序的人口版本可证明确定一个真正的排序的基础DAG。我们提供了大量的数值证据来证明,这个顺序的过程规模可能数以千计的节点,并适用于高维数据。我们伴随着这些数值实验与应用程序的单细胞基因表达数据集。
2022-05-19 cs.LG stat.ME stat.ML
Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery
Quantum Computing Center(量子计算中心);Keio University(庆应义塾大学)
本研究将量子计算应用于线性非高斯无环模型,利用量子核计算 DirectLiNGAM 的独立性度量,提出 qLiNGAM 方法。实验表明,在数据量较少时,qLiNGAM 能正确估计因果结构,并在真实量子硬件上实现,为小数据下的新型医学知识发现提供可能。
2021-12-06 cs.AI cs.LG quant-ph
Entropic Inequality Constraints from $e$-separation Relations in Directed Acyclic Graphs with Hidden Variables
Johns Hopkins University(约翰斯·霍普金斯大学);Perimeter Institute for Theoretical Physics(圆周理论物理研究所);University of Gdańsk(格但斯克大学);International Centre for Theory of Quantum Technologies(国际量子技术理论中心)
含有隐变量的有向无环图(DAG)经常被用来刻画系统中变量之间的因果关系。当某些变量不可观测时,DAG意味着对观测变量分布的一组非常复杂的约束。在这项工作中,我们提出了熵不等式约束隐含的$e$分离关系的隐变量DAG离散观测变量。这些约束可以直观地理解为遵循这样的事实,即沿着因果路径传递信息的变量的能力受到它们的熵的限制;例如,在极端情况下,具有熵的变量$0$可以不传递信息。我们展示了如何使用这些约束从观察到的数据分布中了解真正的因果模型。此外,我们提出了一种称为最小中间熵的因果影响的措施,并证明它可以增强传统的措施,如平均因果效应。
2023-02-22 cs.LG stat.ML
Coarsening Linear Non-Gaussian Causal Models with Cycles
Department of Technology, Management and Economics, Technical University of Denmark(技术、管理与经济系,丹麦技术大学);Department of Mathematical Sciences, University of Copenhagen(数学科学系,哥本哈根大学)
本文提出在线性非高斯模型中放松高维无环性假设,通过低维因果DAG恢复因果结构,并证明其在观测等价类中的代表性。
2026-11-10 cs.AI cs.LG stat.ML
AdaPS-LiNGAM: Adaptive Predecessor Selection for Linear Non-Gaussian Acyclic Models under Small-Sample Settings
Artificial Intelligence Laboratory, Fujitsu Limited(富士通有限公司人工智能实验室)
针对小样本下线性非高斯无环模型因果发现困难,提出AdaPS-LiNGAM方法,通过自适应选择稀疏前驱子集重构残差,实现准确且稳健的因果结构恢复。
2026-10-08 cs.LG stat.ML
Cyclic Causal Discovery from Continuous Equilibrium Data
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(奈梅亨拉德堡德大学)
我们提出了一种从观测和干预平衡数据的组合中学习循环因果模型的方法。所提出的方法的新颖之处在于它能够处理连续数据(不假设线性)和处理反馈回路。在生物化学反应的背景下,我们还提出了一种新的建模干预措施的方式,修改化合物的活性,而不是它们的丰度。由于计算的原因,我们近似的非线性因果机制(耦合)局部线性化,每个实验条件。我们应用该方法从Sachs等人(2005)测量的流式细胞术数据重建细胞信号网络。我们表明,我们的方法发现反馈回路的数据中的证据,它提供了一个更准确的定量描述的数据在可比的模型复杂性。
2013-09-26 cs.AI cs.LG stat.ML
DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks
University of Strathclyde(思克莱德大学)
组合搜索空间对从数据中学习因果关系提出了重大挑战。最近,该问题已被公式化为具有非循环约束的连续优化框架,允许探索深度生成模型,以更好地捕获数据样本分布,并支持发现忠实表示底层数据分布的有向非循环图(DAG)。然而,到目前为止,还没有研究通过生成模型研究使用Wasserstein距离进行因果结构学习。本文提出了一种新的模型DAG-WGAN,它结合了基于Wasserstein的对抗性损失,自动编码器架构以及非循环约束。DAG-WGAN同时学习因果结构,并通过利用Wasserstein距离度量的优势来提高其数据生成能力。与其他模型相比,该模型具有很好的可扩展性,可以处理连续和离散数据。我们的实验已经评估了DAG-WGAN对国家的最先进的,并证明了其良好的性能。
2022-04-01 cs.LG stat.ML
No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries
CausalSAGE通过打破对称性解决因果不确定性,将PAGs转换为DAGs并保留因果关系。
2026-03-01 cs.LG
Learning Cyclic Causal Models from Incomplete Data
Georgia Institute of Technology(佐治亚理工学院)
提出 MissNODAGS 框架,在加性噪声模型下结合 EM 交替进行缺失数据插补与可见数据期望对数似然最大化,以从含缺失的干预数据中学习循环因果图,并在合成及单细胞数据上验证性能提升。
2024-02-23 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
Learning Temporal Causal Structure via Smooth Differentiable Optimization
Imperial College London(帝国理工学院伦敦分校);University of Bristol(布里斯托大学)
提出使用Gumbel-Sinkhorn算子学习可微变量排序,三角化结构向量自回归模型的瞬时系数矩阵,将无环性转化为参数化,实现统一连续优化,提高时间序列因果发现的效率和准确性。
2026-06-02 cs.LG
Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants
Graduate School of Informatics, Kyoto University(京都大学信息科学研究生院);Institute for Liberal Arts and Sciences, Kyoto University(京都大学文科理科研究所)
针对含相关隐变量的线性非高斯因果发现难题,提出利用高阶累积量识别LvLiNGAM中因果DAG的新算法,经模拟与真实数据验证有效。
2025-10-16 cs.LG stat.ML
MOCHA: Discovering Multi-Order Dynamic Causality in Temporal Point Processes
Tongji University(同济大学)
MOCHA提出一种新框架,通过时变DAG上的多跳路径发现时间点过程中的多阶动态因果,联合建模因果发现与事件预测,在真实数据集上取得最优性能并揭示可解释结构。
2025-08-26 cs.LG
SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets
School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
SCOUT提出一种新框架,通过最大化数据对数似然恢复图结构,利用合同残差流和神经样条流,实现从软干预数据中学习非线性循环因果关系,优于现有方法。
2026-05-15 cs.LG
Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration
Nara Institute of Science and Technology(奈良科学技术研究所);Ateneo de Manila University(雅典耀大学)
本文通过成对似然比替代kNN互信息、引入先验知识节点跳过策略及利用路径分布推断因果图属性,三重增强LiNGAM-SPP框架,提升其性能与实用性。
2025-02-27 cs.LG stat.ME
MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data
本文提出MissNODAG,一种可微框架,从不完整数据中学习潜在的循环因果图和缺失机制,通过结合加性噪声模型和期望最大化过程,交替填补缺失值和优化观测数据似然,以揭示循环结构和缺失机制。
2026-04-05 cs.LG stat.ML
Lower Bounds on the Size of Markov Equivalence Classes
Engineering and Applied Science(工程与应用科学);California Institute of Technology(加州理工学院)
本文研究因果发现中Markov等价类的可辨识性极限,证明放宽无环性、因果充分性或均匀先验后,三类随机图的等价类期望大小具有指数级下界。
2025-07-25 cs.LG math.ST stat.ML
NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
Georgia Institute of Technology(佐治亚理工学院);Stanford University(斯坦福大学);Genentech(基因泰克)
学习变量之间的因果关系是统计学中研究得很好的问题,在科学中有许多重要的应用。然而,建模现实世界的系统仍然具有挑战性,因为大多数现有的算法假设,底层的因果图是无环的。虽然这是一个方便的框架,用于发展关于因果推理和推断的理论发展,但在真实系统中,潜在的建模假设可能会被违反,因为反馈回路是常见的(例如,生物系统)。虽然有一些方法搜索循环因果模型,但它们通常依赖于某种形式的线性,这也是有限的,或者缺乏明确的潜在概率模型。在这项工作中,我们提出了一种新的框架,用于从介入数据中学习非线性循环因果图模型,称为NODAGS流。我们通过直接似然优化进行推理,采用残差归一化流的似然估计技术。通过合成实验和单细胞高含量扰动筛选数据的应用,我们显示出显着的性能改进与我们的方法相比,国家的最先进的方法,结构恢复和预测性能。
2023-01-04 cs.LG stat.ME stat.ML
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声,理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML
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
Efficiently Deciding Algebraic Equivalence of Bow-Free Acyclic Path Diagrams
Utrecht University(乌得勒支大学);Information and Computing Sciences(信息与计算科学)
本文针对无弓线性结构方程模型中的因果发现问题,提出高效算法判定两个图是否施加相同代数约束或存在约束子集关系,从而为潜在混杂因素下的图区分提供最细粒度分辨。
2024-06-10 cs.LG math.ST stat.ML
On The Causal Network Of Face-selective Regions In Human Brain During Movie Watching
University Of Tehran(德黑兰大学)
本研究采用DAGMA因果发现方法分析自然电影刺激下的fMRI数据,揭示了面孔刺激对大脑面孔选择性网络连接数量的因果影响,并强调了皮层下区域在满足因果充分性中的关键作用。
2025-05-30 cs.LG eess.IV q-bio.NC
Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering(电气与计算机工程学院);Georgia Institute of Technology(佐治亚理工学院)
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架,以应对未测量混杂因素,通过干预数据优化图结构和混杂分布,提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
Arrow: A Foundation Model for Causal Discovery
University of Technology Sydney(技术科技大学);CSIRO’s Data61(CSIRO数据61)
Arrow模型通过将有向无环图分解为无向骨架和拓扑序,实现零样本因果发现。该模型基于Transformer架构预测边概率和节点顺序,训练于合成数据集,能在多种数据集上实现高效准确的因果发现。
2026-05-08 cs.LG
Coordinated Multi-Neighborhood Learning on a Directed Acyclic Graph
University of California, Los Angeles(加州大学洛杉矶分校)
本文提出一种基于约束的协调多邻域学习方法,无需学习整个DAG即可估计多个目标节点的局部因果结构,在合成和真实数据上更准确且计算成本更低。
2024-05-24 cs.LG stat.ML
SC3D: Dynamic and Differentiable Causal Discovery for Temporal and Instantaneous Graphs
Institute for Computational Data Science(计算数据科学研究所);School of Mechanical Engineering(机械工程学院)
本文提出SC3D,一种动态和可微的因果发现方法,用于处理时序和瞬时图,通过两阶段可微框架联合学习滞后特定的邻接矩阵和瞬时有向无环图,提升了因果结构的稳定性和准确性。
2026-05-17 cs.LG stat.ME
A Bregman Method for Structure Learning on Sparse Directed Acyclic Graphs
CNRS(法国国家科学研究中心);ENS Paris(巴黎高等师范学院);Inria(法国国家信息与自动化研究所)
我们提出了一种Bregman近似梯度方法,用于线性结构因果模型的结构学习。虽然问题是非凸的,具有高曲率,实际上是NP-难的,但Bregman梯度方法允许我们通过测量高度非线性内核的平滑度来抵消曲率的至少一部分影响。这允许该方法进行更长的步骤并显著提高收敛性。每次迭代都需要求解Bregman近似步骤,该步骤是凸的,并且对于我们特定的内核选择是有效可解的。我们在各种合成和真实数据集上测试我们的方法。
2020-11-05 cs.LG stat.ML
Bayesian learning of Causal Structure and Mechanisms with GFlowNets and Variational Bayes
Université de Montréal(蒙特利尔大学);Mila – Quebec AI Institute(米拉-魁北克人工智能研究所);McGill University(麦吉尔大学);HEC Montréal(蒙特利尔高等商学院)
本文提出VBG方法,结合变分贝叶斯与GFlowNets联合学习因果结构与机制,在保证无环性的同时泛化至非线性机制。
2024-06-03 cs.LG stat.ML
Adjustment Identification Distance: A gadjid for Causal Structure Learning
School of Mathematics and Statistics, University College Dublin(都柏林大学学院数学与统计学院);Pioneer Centre for AI, University of Copenhagen(哥本哈根大学人工智能先锋中心);Department of Mathematical Sciences, University of Copenhagen(哥本哈根大学数学科学系)
针对现有图差异评估指标无法反映因果效应识别差异的问题,研究提出构建因果距离的框架,基于此开发调整类距离及扩展,设计高效算法并在gadjid包中实现,速度更快且适配更大规模图。
2024-07-11 cs.LG stat.ME stat.ML
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin(柏林工业大学)
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题,本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验,明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
Stable Differentiable Causal Discovery
Columbia University(哥伦比亚大学);Irving Institute for Cancer Dynamics(欧文癌症动力学研究所);Department of Biomedical Engineering, Columbia University(哥伦比亚大学生物医学工程系);Department of Statistics, Columbia University(哥伦比亚大学统计系)
提出SDCD方法,通过更稳定的无环性约束和针对稀疏图的训练程序,解决了现有可微因果发现方法的数值不稳定和扩展性问题,在准确性和收敛速度上优于现有方法且可扩展至数千变量。
2024-06-27 cs.LG stat.ME
Root Cause Identification for Collective Anomalies in Time Series given an Acyclic Summary Causal Graph with Loops
EasyVista;Univ Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔国立理工学院)
本文提出一种方法,利用无环摘要因果图,通过d-分离分解问题、直接图推断及比较正常与异常状态下的直接效应,来识别时间序列中集体异常的根因,并经实验验证其有效性。
2023-10-13 cs.AI cs.LG
Estimation of a Causal Directed Acyclic Graph Process using Non-Gaussianity
Sharif University of Technology(谢里夫理工大学)
在机器学习和数据采掘中,已经提出了许多方法来发现因果依赖关系;其中,最先进的VAR-LiNGAM(向量自回归线性非高斯非循环模型的缩写)是揭示瞬时和时滞关系的理想方法。然而,所有获得的VAR矩阵需要进行分析,以推断最终的因果图,导致参数的数量上升。为了解决这个问题,我们提出了CGP-LiNGAM(因果图处理-LiNGAM的缩写),它具有显着更少的模型参数,只处理一个因果图,通过利用图信号处理(GSP)来解释因果关系。
2022-11-24 cs.LG eess.SP stat.ME
A direct method for estimating a causal ordering in a linear non-Gaussian acyclic model
Osaka University(大阪大学);Tokyo Institute of Technology(东京工业大学);University of Helsinki(赫尔辛基大学);HIIT(赫尔辛基信息技术研究所)
结构方程模型和贝叶斯网络已被广泛用于分析连续变量之间的因果关系。在这样的框架中,线性非循环模型通常用于对变量的数据生成过程进行建模。最近,它表明,使用非高斯识别因果顺序的变量在线性非循环模型,而不使用任何先验知识的网络结构,这是不是与传统的方法的情况下。然而,现有的估计方法基于迭代搜索算法,并且可能不会在有限数目的步骤中收敛到正确的解。在本文中,我们提出了一个新的直接方法来估计因果顺序的基础上非高斯。与以前的方法相比,我们的算法不需要算法参数,并保证收敛到正确的解决方案在一个小的固定数量的步骤,如果数据严格遵循的模型。
2014-08-09 cs.LG stat.ML
CaTs and DAGs: Integrating Directed Acyclic Graphs with Transformers for Causally Constrained Predictions
Kivira Health(Kivira健康公司);The Sense Innovation and Research Center, CHUV, Lausanne, Switzerland(The Sense创新与研究中心,CHUV,洛桑,瑞士);Centre for Vision, Speech and Signal Processing, University of Surrey, U.K.(视觉、语音和信号处理中心,萨里大学,英国);Institute of Psychology, University of Lausanne, Switzerland(心理学研究所,洛桑大学,瑞士);EPFL, Switzerland(瑞士联邦理工学院)
本文提出因果变换器(CaTs),通过整合有向无环图与变换器,实现因果受限预测,提升模型的鲁棒性、可靠性和可解释性。
2026-01-27 cs.LG stat.ML