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
Interventional Sum-Product Networks: Causal Inference with Tractable Probabilistic Models
TU Darmstadt（达姆施塔特工业大学）；The University of Texas at Dallas（德克萨斯大学达拉斯分校）；Hessian Center for AI (hessian.AI)（黑森人工智能中心 (hessian.AI)）
虽然概率模型是研究因果关系的重要工具，但这样做会受到推理困难的影响。作为迈向易于处理的因果模型的一步，我们考虑使用和积网络（SPN）学习干预分布的问题，这些网络被门函数过度参数化，例如，神经网络。提供一个任意干预的因果图作为输入，有效地包含珍珠的做运营商，门函数预测的SPN的参数。由此产生的干预SPN的动机和说明的结构因果模型为主题的个人健康。我们对三个基准数据集以及一个综合健康数据集的经验评估清楚地表明，干预性SPN确实在建模和适应干预措施方面都很灵活。
2021-10-25 cs.LG
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；IBM Research Zürich（苏黎世IBM研究院）
从实验中推断因果结构是许多领域的中心任务。例如，在生物学领域，最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而，干预措施的目标往往不确定或未知，观察次数有限。因此，标准的因果发现方法不再能够可靠地使用。为了填补这一空白，我们提出了一个贝叶斯框架（BaCaDI），用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的，这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中，BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME 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
Adversarial Causal Intervention Falsification
University of Calgary（卡尔加里大学）
本文针对生成模型可能编码错误因果结构的问题，提出对抗性因果干预证伪（ACIF）博弈，证明其理论性质并给出线性高斯示例，搭建了因果生成建模等领域的桥梁。
2026-08-10 cs.GT cs.LG econ.EM
Resolving Spurious Correlations in Causal Models of Environments via Interventions
Google Research（谷歌研究院）
因果模型给决策系统（或代理）带来了许多好处，使它们具有可解释性，样本效率和对输入分布变化的鲁棒性。然而，虚假的相关性可能导致错误的因果模型和预测。我们考虑了强化学习环境的因果模型的推断问题，并提出了一种处理虚假相关性的方法。具体来说，我们的方法设计了一个奖励函数，激励代理进行干预，以发现因果模型中的错误。从干预中获得的数据用于改进因果模型。我们提出了几种干预设计方法，并比较它们。在网格世界环境中的实验结果表明，我们的方法导致更好的因果模型相比，基线：学习模型的数据从一个随机的政策或政策训练的环境的奖励。主要贡献包括设计干预措施，以解决虚假的相关性的方法。
2020-12-07 cs.LG stat.ML
Causal Adversarial Network for Learning Conditional and Interventional Distributions
Arizona State University（亚利桑那州立大学）；Army Research Lab（陆军研究实验室）
我们提出了一个生成式因果对抗网络（CAN），用于从条件和干预分布中学习和采样。与需要给出因果图的现有CauseGAN相比，我们提出的框架从数据中学习因果关系并相应地生成样本。建议的CAN包括一个双重的过程，即标签生成网络（LGN）和条件图像生成网络（CIGN）。LGN是一种基于GAN的架构，它通过标签从因果模型中学习和采样。然后将采样的标签馈送到CIGN，CIGN是一种条件GAN架构，它学习标签和像素以及像素本身之间的关系，并基于它们生成样本。该框架配备了干预机制，可以实现。该模型用于从介入分布生成样本。我们定量和定性地评估CAN的性能，并根据经验表明，我们的模型能够生成干预性和条件性样本，而无需访问CelebA数据上人脸生成应用的因果图。
2020-09-21 cs.LG stat.ML
Active Learning for Optimal Intervention Design in Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Harvard University（哈佛大学）
本文提出融合贝叶斯因果模型与闭式因果采集函数的主动学习方法，以更少实验高效识别最优干预，并在合成数据和 Perturb-CITE-seq 单细胞数据上验证其优势。
2023-08-16 cs.LG stat.ME
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
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种新的因果公式，通过建模后处理选择和干预反应，识别因果关系、潜在混杂因素和选择模式，提升因果发现的准确性。
2026-02-25 cs.LG stat.ME
Efficient Intervention Design for Causal Discovery with Latents
UMass Amherst（马萨诸塞大学阿默斯特分校）；Amazon（亚马逊）
我们考虑在潜在变量的存在下恢复因果图，在那里我们寻求最小化恢复过程中使用的干预措施的成本。我们考虑两种干预成本模型：（1）线性成本模型，其中干预成本在变量子集上具有线性形式，以及（2）身份成本模型，其中干预成本相同，无论它是什么变量，即，目标只是尽量减少干预的次数。在线性成本模型下，我们给出了一个算法来识别潜在的因果图的祖先关系，实现在一个$2$ -因子的最优干预成本。对于任何$ε> 0$，在一些温和的限制下，该近似因子可以改进为$1+ε$。在身份成本模型下，我们通过一种特殊类型的碰撞器使用因果图的参数化来约束恢复整个因果图（包括潜在变量）所需的干预次数。特别是，我们引入的概念，$p$ -碰撞器，这是碰撞器对节点之间产生的因果图中的特定类型的条件，并提供一个上限的干预措施的数量作为因果图中的任何两个节点之间的$p$ -碰撞器的最大数量的函数。
2020-07-12 cs.DS cs.LG stat.ML
Quickest Causal Change Point Detection by Adaptive Intervention
Tsinghua University（清华大学）
针对线性因果模型的变点监测，本文提出借助中心化集中因果传播变化、基于 KL 散度选择干预节点和干预值，并采用两种兼顾探索与利用的自适应干预方法，证明其一阶最优性且通过仿真与真实案例验证。
2025-06-09 cs.LG stat.ML
Causal Discovery under Off-Target Interventions
National University of Singapore（新加坡国立大学）；Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学博德研究所）；Massachusetts Institute of Technology（麻省理工学院）
针对随机干预下的因果发现问题，提出涵盖胖手干预和CRISPR基因敲除的随机干预模型，并为验证与搜索问题提供了多对数竞争比的近似算法及初步实验结果。
2024-02-13 cs.DS cs.LG stat.ME
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
Observational and Interventional Causal Learning for Regret-Minimizing Control
University of Stuttgart（斯图加特大学）
我们探讨如何观察和干预因果发现方法可以结合起来。一个国家的最先进的观测因果发现算法时间序列能够处理潜在的混杂因素和同期的影响，称为LPCMCI，扩展到利润从偶然的约束，通过随机对照试验。数值结果表明，完美的干预约束，重建的结构因果模型（SCM）的扩展LPCMCI允许84.6%的时间为目标变量的最佳预测。干预和观察因果发现的实施是模块化的，允许来自其他来源的因果约束。本论文的第二部分研究同时学习因果模型和通过因果模型规划行动的后悔最小化控制问题。这个想法是，一个优化测量变量的代理首先通过观察因果发现来学习系统的机制。然后，代理人干预最有希望的变量与随机值，允许开发和生成新的干预数据。然后，代理使用介入数据来进一步增强因果模型，允许下一次改进行动。与原始LPCMCI算法相比，扩展的LPCMCI可以是有利的。数值结果表明，检测和使用介入约束导致重建SCM，允许60.9%的时间用于目标变量的最佳预测，而使用原始LPCMCI算法时的基线为53.6%。此外，诱导的平均后悔从使用原始LPCMCI算法时的1.2降低到使用具有介入发现的扩展LPCMCI算法时的1.0。
2022-12-05 cs.AI cs.LG stat.ML
Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders
Amazon（亚马逊）；Spotify（声田）；UCL（伦敦大学学院）；Sharechat
回答因果问题的能力在许多领域都是至关重要的，因为因果推断使人们能够理解干预措施的影响。在许多应用中，在给定的时间只有单一的干预是可能的。然而，在一些重要领域，同时采取了多种干预措施。将单一干预措施的效果与联合实施的干预措施的效果区分开来是一项具有挑战性的任务，特别是因为同时实施的干预措施可能会相互作用。未观察到的混杂因素使这个问题变得更加困难，这些混杂因素影响治疗和结果。我们通过从观察数据和干预措施中了解单一干预措施的效果来应对这一挑战。我们证明，这是不可能的，但提供识别证明，证明它可以实现在非线性连续结构因果模型与加性，多变量高斯噪声-即使当未观察到的混杂因素存在。重要的是，我们展示了如何将观察到的协变量和学习异质性处理效应。基于可识别性证明，我们提供了一个算法，学习的因果模型参数，从不同的制度汇集数据，并联合最大化的组合似然。我们的方法的有效性是经验证明的合成和真实世界的数据。
2022-10-11 cs.LG stat.ML
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
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
Matching a Desired Causal State via Shift Interventions
MIT（麻省理工学院）
将因果系统从给定的初始状态转换到期望的目标状态是一项重要的任务，渗透到包括控制理论，生物学和材料科学在内的多个领域。在因果模型中，这种转换可以通过执行一系列干预来实现。在本文中，我们考虑的问题，通过主动学习识别一个偏移干预，匹配系统的期望均值。我们定义的马尔可夫等价类，是可识别的移位干预，并提出了两个积极的学习策略，保证完全匹配所需的平均值。然后，我们推导出一个最坏情况下的下限所需的干预措施的数量，并表明这些策略是最佳的某些类的图。特别是，我们表明，我们的策略可能需要比以前考虑的方法，优化结构学习的基础因果图指数更少的干预。与我们的理论结果一致，我们还通过实验证明，与几个基线相比，我们提出的主动学习策略需要更少的干预。
2021-10-20 cs.LG stat.ME stat.ML
Bayesian Intervention Optimization for Causal Discovery
School of Computer Science, Peking University（北京大学计算机学院）；School of Data Science, Fudan University（复旦大学数据科学学院）；BIGAI（北京智源人工智能研究院）
针对主动因果发现中干预选择未面向决策的问题，提出受贝叶斯因子启发的贝叶斯优化方法，通过估计假设模型、预评估干预并迭代更新先验，提高获得决定性正确证据的概率。
2024-06-16 cs.LG stat.ML
Characterization and Learning of Causal Graphs from Hard Interventions
Johns Hopkins University（约翰霍普金斯大学）；Purdue University（普渡大学）
本文研究硬干预下的因果图学习，提出基于do-calculus的图形约束刻画带潜变量因果图的干预等价类，并设计整合多干预数据集的学习算法，证明了其可靠性。
2025-11-02 cs.LG stat.ML
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
Linear Causal Disentanglement via Interventions
Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Harvard University（哈佛大学）
本文研究线性潜在因果模型下观测变量的因果解耦可识别性，证明每个潜在变量需至少一次干预以保证可识别性，提出基于推广RQ分解的证明方法，并通过实验验证了理论结果。
2023-06-11 cs.LG stat.ML
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
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
CausalGaze: Unveiling Hallucinations via Counterfactual Graph Intervention in Large Language Models
College of Electronic Engineering, National University of Defense Technology（国防科技大学电子工程学院）；Anhui Province Key Laboratory of Cyberspace Security Situation Awareness and Evaluation（安徽省网络空间安全态势感知与评估重点实验室）；Institute of Computer Application, China Academy of Engineering Physics（中国工程物理研究院计算机应用研究所）
CausalGaze通过反事实图干预揭示大语言模型的幻觉，利用结构因果模型提升模型可解释性，在四个数据集和三个常用LLM上实验表明其有效性，尤其在TruthfulQA数据集上比现有方法提升3.3%的AUROC。
2026-05-11 cs.LG
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
When Selection Meets Intervention: Additional Complexities in Causal Discovery
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）
本文针对干预研究中常被忽视的选择偏差问题，提出一种同时建模观测世界与反事实世界的图形模型及可证明可靠的算法，能够从软干预和未知目标数据中识别因果关系与选择机制，并通过实验验证其有效性。
2025-03-10 cs.LG
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam（阿姆斯特丹大学）
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法，在给定因果模型的情况下，将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素，该潜在混杂因素在与治疗变量相同的空间中取值，而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应，而不依赖于常见但往往不切实际的假设，即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下，我们假设治疗和结果是离散的。因果关系的减少，然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下，可以通过合并观测数据来提高因果效应估计的准确性。其次，对于连续变量，假设线性高斯模型，我们推导出观测分布和干预分布参数的等式约束。第三，对于一般的连续设置（可能是非线性和非高斯），我们参数化的减少因果模型使用规范化流，一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验，发现在几种情况下，在不牺牲准确性的情况下，添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
Learning Neural Causal Models with Active Interventions
ETH Zurich（苏黎世联邦理工学院）；Mila（米拉人工智能研究所）；Universite de Montréal（蒙特利尔大学）；GlaxoSmithKline（葛兰素史克）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Google Research（谷歌研究院）；KTH Stockholm（瑞典皇家理工学院）；DeepMind（深度思维）
从数据中发现因果结构是一个具有挑战性的推理问题，在所有科学领域都具有根本的重要性。最近，神经网络的吸引人的特性引起了人们对基于可微神经网络的从数据中学习因果结构的方法的兴趣激增。到目前为止，可区分的因果发现集中在静态数据集的观察或固定的干预起源。在这项工作中，我们引入了一个积极的干预目标（AIT）的方法，使数据生成过程的潜在因果结构的快速识别。与随机干预目标相比，我们的方法显着减少了所需的交互次数，并且适用于从数据中学习底层有向无环图（DAG）的离散和连续优化配方。我们在广泛的设置中跨多个框架检查了所提出的方法，并在从模拟到真实数据的多个基准测试中展示了卓越的性能。
2022-03-05 cs.LG stat.ML
Scalable Contrastive Causal Discovery under Unknown Soft Interventions
Department of Systems Biology, Columbia University Irving Institute for Cancer Dynamics, Columbia University（系统生物学系，哥伦比亚大学伊万尼癌症动力学研究所，哥伦比亚大学）；Irving Institute for Cancer Dynamics, Columbia University（伊万尼癌症动力学研究所，哥伦比亚大学）；Department of Computer Science, Columbia University（计算机科学系，哥伦比亚大学）；Department of Biomedical Engineering, Columbia University（生物医学工程系，哥伦比亚大学）；Data Science Institute, Columbia University（数据科学研究所，哥伦比亚大学）
本文提出了一种可扩展的因果发现模型，通过对比方法处理未知软干预，提升因果结构恢复和泛化能力。
2026-03-03 cs.LG stat.ML
CAnDOIT: Causal Discovery with Observational and Interventional Data from Time-Series
University of Lincoln（林肯大学）；University of Padua（帕多瓦大学）
本文提出CAnDOIT方法，结合观测和干预时间序列数据重构因果模型，解决隐藏因素下仅靠观测数据难以识别因果关系的问题，并在合成数据和机器人操作基准上验证其能有效提升因果分析准确性。
2024-10-11 cs.AI cs.LG cs.RO
Federated Causal Discovery From Interventions
McGill University（麦吉尔大学）；ETH Zürich（苏黎世联邦理工学院）；GlaxoSmithKline（葛兰素史克）；TU Munich（慕尼黑工业大学）；Helmholtz AI（亥姆霍兹人工智能研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
提出FedCDI联邦框架，通过交换信念更新和干预感知聚合方法，从含干预样本的分布式数据中推断因果结构，有效保护隐私并缓解数据异质性。
2024-02-11 cs.LG cs.MA stat.ME
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
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
FOCUS: Fixed-Confidence Online Causal Learning Using Sequential Adaptive Interventions
Tsinghua University（清华大学）
针对无历史数据的在线因果发现，提出FOCUS算法，通过序贯自适应干预和可计算集中不等式，在固定置信度下高效恢复因果DAG及边权重，并匹配理论下界。
2026-09-29 cs.LG stat.ML
A Causal Bootstrap for Diverse Image Generation under Unobserved Confounding
AWS AI Lab（亚马逊云科技AI实验室）
提出CauVaDE，基于规范增广SCM将未观测混杂因子分解为离散潜变量，通过熵正则化追踪可行干预分布族，在图像数据上生成多样化干预样本并提升FID。
2026-10-27 cs.LG
MetaCaDI: A Meta-Learning Framework for Causal Discovery from Multiple Environments with Unknown Interventions
Nara Institute of Science and Technology（奈良科学技术大学）；NTT Communication Science Laboratories（NTT通信科学实验室）
针对复杂系统因果机制发现难题，MetaCaDI将未知干预识别转化为元学习问题，利用联合学习因果图，通过解析自适应绕过梯度优化，在多环境学习共享因果结构，实验证明其在少样本干预目标识别中表现优异。
2026-07-07 cs.LG stat.ML
Time Series Causal Link Estimation under Hidden Confounding using Knockoff Interventions
Friedrich Schiller University Jena（耶拿弗里德里希·席勒大学）
潜变量往往掩盖了观测数据中的因果关系，这会引起可能被误解为因果关系的虚假联系。这个问题在气候科学和经济学等领域引起了极大的兴趣。我们建议估计混淆因果关系的时间序列使用顺序因果效应变分自编码器（SCEVAE），同时应用敲除干预。剔除变量与原始变量具有相同的分布，并保持与其他变量的相关性。这允许反事实更忠实于观测分布。我们通过将SCEVAE应用于具有线性和非线性因果联系的合成数据集，展示了敲除干预的优势。此外，我们应用SCEVAE与敲除真实的气溶胶云气候观测时间序列数据。我们比较了我们的结果合成数据的时间序列去干扰方法，估计和没有混淆。我们通过将这两种方法与地面实况进行比较，表明我们的方法优于此基准。对于真实的数据分析，我们依赖于专家知识的因果联系，并演示如何使用合适的代理变量，提高了因果关系的估计存在隐藏的混杂因素。
2022-11-18 cs.LG stat.ME
Identifiability Guarantees for Causal Disentanglement from Soft Interventions
Broad Institute of MIT and Harvard（麻省理工学院与哈佛大学布罗德研究所）；Laboratory for Information and Decision Systems, MIT（麻省理工学院信息与决策系统实验室）；MIT-IBM Watson AI Lab（MIT-IBM沃森人工智能实验室）；IBM Research（IBM研究院）；Google Research（谷歌研究院）
该研究针对潜因果变量不可观测的因果解缠场景，在广义忠实性假设下证明了可识别性，开发自编码变分贝叶斯算法实现框架，可在无限数据下恢复等价类潜因果模型并预测组合干预效果，已应用于基因组学组合扰动效应预测。
2023-11-09 cs.LG math.ST stat.ME
RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
Alibaba Cloud（阿里云）；SIGS, Tsinghua University（清华大学深圳国际研究生院）；DCST, Tsinghua University（清华大学信息科学技术学院）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
针对工业场景中无干预目标且含文本信息的时序因果发现难题，提出RealTCD框架，结合基于评分的方法与LLM引导的元初始化，在模拟和真实数据上优于现有基线。
2024-05-26 cs.AI cs.LG stat.ME
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
Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries
University of Pennsylvania（宾夕法尼亚大学）；Amazon（亚马逊公司）
针对仅含观测数据与因果图的因果充分场景下的多类因果查询问题，提出基于扩散的因果模型学习因果机制，通过潜在编码实现干预采样与反事实溯因，性能优于现有方法并提供通用理论分析框架。
2024-10-09 cs.LG stat.ME stat.ML
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
Interventional Causal Structure Discovery over Graphical Models with Convergence and Optimality Guarantees
Tongji University（同济大学）
针对观测与干预数据融合及集中式因果发现的通信、隐私问题，提出带收敛与最优性保证的Bloom双层多项式优化框架，并扩展至分布式场景，实验显示其性能优于主流算法。
2024-08-09 cs.LG stat.ML
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
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
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
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
