Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms?
Korea University（高丽大学）；UNIST（蔚山科学技术院）；LG AI Research（LG AI研究院）；Seoul National University（首尔大学）；SNU-LG AI Research Center（首尔大学-LG AI研究中心）
本文提出一种新框架，通过初始化邻接矩阵和引入正则化，将PLM提取的先验知识与因果发现算法相结合，克服了PLM在因果发现中过度依赖提示设计的局限并提升了性能。
2023-11-19 cs.AI cs.LG
Linear Causal Discovery with Interventional Constraints
纳入因果知识和机制对于完善因果模型和改进下游任务（例如设计新治疗方法）至关重要。在本文中，我们引入了一个新的概念，在因果发现，称为介入约束，这从根本上不同于介入数据。虽然干预性数据需要变量的直接扰动，但干预性约束以因果效应的不等式约束的形式对高层次的因果知识进行编码。例如，在Sachs数据集中（Sachs et al.\ 2005年），Akt已被证明是由PIP3激活，这意味着PIP3对Akt发挥积极的因果作用。现有的因果发现方法允许强制执行结构约束（例如，需要从PIP3到Akt的因果路径），但它们仍然可能产生不正确的因果结论，例如学习“PIP3抑制Akt”。干预约束通过明确约束变量对之间的总因果效应来弥合这一差距，确保学习模型尊重已知的因果影响。为了形式化干预约束，我们提出了一个度量来量化线性因果模型的总因果效应，并将问题制定为约束优化任务，使用两阶段约束优化方法求解。我们在真实世界的数据集上评估了我们的方法，并证明了整合干预性约束不仅提高了模型的准确性，确保了与已有发现的一致性，使模型更易于解释，而且还有助于发现新的因果关系，否则识别成本很高。
2025-10-30 cs.AI cs.LG
Embracing the black box: Heading towards foundation models for causal discovery from time series data
Friedrich Schiller University Jena（弗里德里希·席勒耶拿大学）
针对现有时间序列因果发现方法不支持端到端学习的问题，提出因果预训练方法，通过监督学习直接映射多元时间序列至因果图，发现其性能随数据和模型规模增加而提升，为因果发现基础模型提供了可能性。
2024-02-14 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
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
Learning Structural Causal Models from Ordering: Identifiable Flow Models
Applied Artificial Intelligence Institute (A2I2), Deakin University（迪肯大学应用人工智能研究所（A2I2））
本研究针对仅含观测数据与有效因果排序的因果推断问题，提出可辨识流模型，能同时学习因果机制、降低复杂度，性能优于现有最优方法且计算效率更高，适用于大型结构因果模型。
2024-12-13 cs.AI cs.LG stat.ML
Causal Discovery for Manufacturing Domains
Robert Bosch LLC（罗伯特·博世有限责任公司）
产量和质量的提高对任何制造公司都至关重要。提高产量的方法之一是通过发现影响产量的根本原因。我们建议使用数据驱动的可解释的因果模型来确定影响产量的关键因素。我们专注于在产品制造周期的不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从这条线收集的真实数据。具体来说，这项工作的目标是从生产线产生的观测数据中学习可解释的因果模型。重点已经给出了模型的可解释性，使他们在制造领域的行动。我们强调了装配线数据带来的挑战，并提出了缓解这些挑战的方法。我们还确定了源自装配线的数据的独特特征，以及如何利用它们来改善因果发现。因果结构学习的标准评估技术表明，学习的因果模型似乎密切代表了生产过程中不同因素之间的潜在因果关系。这些结果也得到了制造领域专家的验证，他们认为这些结果很有前途。这项工作演示了如何数据采掘和知识发现可以用于根本原因分析领域的制造业和连接的行业。
2016-06-13 cs.AI cs.LG
Domain Knowledge in A*-Based Causal Discovery
causaLens（causaLens公司）；King’s College London（伦敦国王学院）
因果发现已经成为科学家和从业者想要从观测数据中发现因果关系的重要工具。虽然大多数以前的因果发现方法都隐含地假设没有专业领域知识，但从业者通常可以从以前的经验中提供这样的领域知识。最近的工作已纳入领域知识的约束为基础的因果发现。然而，大多数这种基于约束的方法都假定因果忠实性，这在实践中经常被违反。因此，人们重新关注基于精确搜索分数的因果发现方法，这些方法不假设因果忠实性，例如基于A* 的方法。然而，在领域知识的背景下没有考虑这些方法。在这项工作中，我们专注于有效地整合几种类型的领域知识到A* 为基础的因果发现。在此过程中，我们讨论并解释领域知识如何减少图搜索空间，然后提供对潜在计算收益的分析。我们通过对合成数据和真实数据的实验来支持这些发现，表明即使是少量的领域知识也可以大大加快基于A* 的因果发现，并提高其性能和实用性。
2022-08-17 cs.AI cs.LG stat.ML
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University（西安交通大学）
了解因果关系有助于构建干预措施，以实现特定目标，并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加，因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上，缺乏对基于深度学习的方法进行完善的梳理和阐述，也缺乏从变量范式角度对因果发现方法的思考和探索。因此，本文根据变量范式将可能的因果发现任务分为三类，分别给出了三类任务的定义，定义并实例化了每类任务的相关数据集以及最终构建的因果模型，并对现有的主要因果发现方法进行了评述。最后，针对目前因果发现领域的研究空白，从不同角度提出了一些路线图，并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
Learning Causal Orderings for In-Context Tabular Prediction
Department of XXX, University of YYY, Location, Country（XXX系，YYY大学，地点，国家）；School of ZZZ, Institute of WWW, Location, Country（ZZZ学院，WWW研究所，地点，国家）
本文研究了如何在表格预测中同时推断和强制因果结构，通过拓扑变量顺序形式进行因果结构推断，提出TabOrder模型利用因果顺序约束注意力机制，在学习的因果顺序下仅基于先于目标的特征进行预测，并通过似然目标无监督学习最优变量顺序，同时探讨了样本缺失对因果方向识别的影响。
2026-05-21 cs.LG
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
CausalRivers -- Scaling up benchmarking of causal discovery for real-world time-series
Friedrich Schiller University Jena（弗里德里希·席勒大学耶拿分校）
本研究推出迄今最大真实场景时间序列因果发现基准工具包CausalRivers，含多区域河流流量数据与因果真值图，可生成多样基准测试，助力方法评估与相关领域研究。
2025-03-21 cs.AI cs.LG stat.ML
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；ÉTS Montréal（蒙特利尔高等技术学院）
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而，学习这样的表示是非常具有挑战性的。因此，我们制定了从高维数据中学习因果表示的问题，并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型，解码器BCD，贝叶斯因果发现，并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素，并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne（墨尔本大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Peking University（北京大学）；Adelaide University（阿德莱德大学）；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）
提出因果集成智能体（CEA）框架，通过线性意见池聚合不同层次的统计因果发现结果，并利用大语言模型（LLM）作为元裁判在决策边界附近动态重加权专家，从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
School of Mathematics, Southeast University, Nanjing 210096, China（数学学院，东南大学，南京210096，中国）；School of Cyber Science and Engineering, Southeast University, Nanjing 210096, China（网络科学与工程学院，东南大学，南京210096，中国）
本工作系统评估了主流因果发现算法在八种模型假设违背下的表现，发现可微分方法在除尺度变化外的场景中具有鲁棒性，并提供了理论解释与评估标准。
2025-10-14 cs.AI cs.LG stat.ME
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China（清华大学深圳国际研究生院）；Zhili College, Tsinghua University, Beijing, China（清华大学哲利学院）
本文提出Tree-Query框架，通过多专家LLM和对抗性置信度估计，实现透明、可解释的因果发现，提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI cs.LG stat.ML
Supervised Whole DAG Causal Discovery
Iowa State University（爱荷华州立大学）
我们建议以监督的方式解决从数据中学习因果结构的任务。现有的监督学习学习因果方向的工作局限于学习两两关系，不适合整个DAG发现。我们提出了一种新的方法建模的整个DAG结构发现作为一个监督学习。为了适合手头的问题，我们建议使用排列等变模型，以及对齐的问题域。我们广泛评估所提出的方法在大小为10，20，50，100的合成图和真实数据上，并与各种以前的方法相比，显示出有前途的结果。
2020-06-08 cs.AI cs.LG stat.ML
Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute（信息学研究所）；University of Amsterdam（阿姆斯特丹大学）
我们解决的问题，因果发现数据，利用最近提出的因果建模框架的模块化结构因果模型（mSCM）来处理周期，潜在的混杂因素和非线性。本文引入了σ-连通图（σ-CG），这是一类新的具有附加结构的混合图（包含无向、双向和有向边），并将σ-分离的概念推广到σ-CG上，σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性，并利用这一点来实现σ-CG上的σ-分离测试。然后，这将我们带到第一个因果发现算法，该算法可以处理非线性函数关系，潜在混杂因素，循环因果关系以及来自不同（随机）完美干预的数据。作为概念证明，我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
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
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
CausalArena: Benchmarking Causal Discovery in the Foundation Model Era
School of Artificial Intelligence, Nanjing University（南京大学人工智能学院）
CausalArena提出统一可演进的基准，通过合成、语义操作和公式基础SCMs及真实数据评估因果发现，揭示跨基准性能不可迁移，强调多样性与预训练重叠挑战。
2026-09-11 cs.LG
Cluster-Dags as Powerful Background Knowledge For Causal Discovery
Technical University Munich（慕尼黑技术大学）；Helmholtz Munich（海德堡-慕尼黑研究所）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文提出利用簇DAGs作为先验知识框架，改进因果发现算法，通过模拟数据验证其在高维和复杂依赖下的优越性。
2026-08-27 cs.AI cs.LG stat.ML
Time Series Causal Discovery via Context-Conditioned and Causality-Augmented Pretraining
East China Normal University（东华师范大学）
提出PTCD框架，通过上下文条件建模和可迁移因果增强的预训练范式，提升跨任务时间序列因果发现的泛化能力，在多个真实OOD数据集上因果发现和根因识别表现优异。
2026-06-15 cs.LG
Ordering-Based Causal Discovery for Linear and Nonlinear Relations
School of Computer Science and Engineering（计算机科学与工程学院）；Central South University（中南大学）
针对现有因果发现方法难以处理同时含线性与非线性关系数据的问题，提出基于排序的CaPS算法，通过新型拓扑排序准则与父节点得分优化剪枝，在合成与真实数据上均优于现有基线。
2024-10-08 cs.LG
Enabling Causal Discovery in Post-Nonlinear Models with Normalizing Flows
Applied Artificial Intelligence Institute (A2I2)（应用人工智能研究所）；Deakin University（迪肯大学）
针对Post-Nonlinear因果模型中可逆性约束难以捕捉的问题，提出基于归一化流的因果发现方法CAF-PoNo，通过精确重构隐藏噪声实现双变量与多变量因果发现，性能优于现有先进方法。
2024-08-29 cs.AI cs.LG stat.ME
Typing assumptions improve identification in causal discovery
Mila（米拉人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；Samsung AI Center Montreal（三星蒙特利尔人工智能中心）
从观测数据中发现因果关系是一项具有挑战性的任务，只能解决一组等价的解决方案，称为等价类。这样的类，这往往是大的尺寸，编码的不确定性的因果图中的一些边缘的方向。在这项工作中，我们提出了一套新的假设，约束可能的因果关系的基础上的变量的性质，从而限制等价类。也就是说，我们引入类型有向无环图，其中变量类型用于确定因果关系的有效性。我们证明，无论是理论和经验，所提出的假设可以导致显着的收益在因果图的识别。我们还提出了因果发现算法，利用这些假设和模拟和伪真实数据证明其好处。
2022-02-28 cs.AI cs.LG stat.ML
Multi-Domain Causal Discovery in Bijective Causal Models
Columbia University（哥伦比亚大学）；Leiden University（莱顿大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文研究多领域环境下的因果发现问题，假设因果函数不变而外生噪声分布可变，提出利用双射生成机制（BGM）放宽函数假设，推导出寻找目标变量父代集的统计检验方法，并在合成与真实数据集上验证了理论有效性。
2025-04-30 cs.AI cs.LG stat.ME
Exploring Multi-Modal Data with Tool-Augmented LLM Agents for Precise Causal Discovery
University of Houston（德克萨斯大学休斯顿分校）；NEC Laboratories America（NEC美国实验室）；Florida International University（佛罗里达国际大学）；North Carolina State University（北卡罗来纳州立大学）
本文提出 MATMCD，一个由工具增强 LLMs 驱动的多智能体系统，通过 Data Augmentation agent 和 Causal Constraint agent 协同处理多模态数据，实现知识驱动的精确因果发现，并在七个数据集上验证了其显著潜力。
2025-05-31 cs.AI cs.LG stat.ME
DCD-PFN: A Decoupling-Aware Foundation Model for Causal Discovery
College of Computer Science and Technology（计算机科学与技术学院）
提出DCD-PFN基础模型，通过预训练学习样本级解耦权重实现马尔可夫边界识别，并利用并行局部发现高效重构全局因果图，在零样本泛化中表现鲁棒。
2026-06-23 cs.LG
TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery
Nanjing University（南京大学）
提出TabCausal，一种通过动态任务构建策略在多样化因果环境中进行大规模预训练的因果发现基础模型，在合成和语义基准上优于现有方法。
2026-08-19 cs.LG
Integrating Background Knowledge for Scalable Causal Discovery
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（拉德堡德大学（奈梅亨））；Saarland University（萨尔大学）
研究如何在因果发现中整合背景知识，提出在因果发现过程中利用背景知识的框架，实现可扩展的因果发现，经实验验证该方法能降低计算需求并提升学习结构质量。
2026-11-06 cs.LG stat.ML
Learning to Defer for Causal Discovery with Imperfect Experts
University of Oxford（牛津大学）；Mila – Quebec Artificial Intelligence Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；ServiceNow Research（ServiceNow研究院）；University of Amsterdam（阿姆斯特丹大学）；Université Laval（拉瓦尔大学）
本文提出 L2D-CD，通过学习弃权函数在经典数据驱动因果发现与不完美专家建议间自适应选择，在 Tübingen pairs 上取得优于二者单独使用的效果。
2025-02-18 cs.AI cs.LG stat.ML
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
Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper
Intel Labs（英特尔实验室）
从观测数据中发现因果关系是许多科学分支的重要工具。在某些假设下，它允许科学家解释现象，预测和做出决策。在大样本的限制，声音和完整的因果关系发现算法已被引入，其中有向无环图（DAG），或其等价类，表示因果关系的搜索。然而，在现实世界中，只有有限的训练数据可用，这限制了这些算法使用的统计测试的能力，导致推断的因果模型中的错误。这通常通过设计尽可能少使用统计检验的策略来解决。在本文中，我们介绍了这样一个战略的形式，现有的约束为基础的因果发现算法，保持健全性和完整性的递归包装。它从一开始就使用规范化的最小割准则递归地对观察到的变量进行聚类，并在回溯过程中使用基线因果发现算法来学习局部子图。然后将它们组合起来并确保完整性。通过消融研究，使用合成数据，并通过常见的现实世界的基准，我们证明，我们的方法需要显着更少的统计测试，学习更准确的图形，并需要更短的运行时间比基线算法。
2021-07-11 cs.AI 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
CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models
Columbia University（哥伦比亚大学）；kausable GmbH（kausable公司）；Aeolus Labs（Aeolus实验室）
针对动态系统因果发现中现有方法局限于确定性、低维和弱非线性数据的问题，本文提出大规模基准CausalDynamics，提供可扩展的数据生成框架，并全面评估了最先进的因果发现算法，以推动动态因果模型结构发现的发展。
2025-10-10 cs.LG
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine（加利福尼亚大学欧文分校）
针对高维数据集因果发现的NP难问题，提出ALCM框架融合数据驱动算法与LLMs，通过三个组件自主协作生成更优因果图，实验表明其性能优于现有方法，为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
Investigating Sindy As a Tool For Causal Discovery In Time Series Signals
Drexel University（德雷塞尔大学）
SINDy算法已成功地用于从时间序列数据中辨识动力系统的控制方程。在本文中，我们认为，这使得SINDy的一个潜在的有用的工具，因果关系的发现和现有的工具，因果关系的发现可以用来显着提高性能的SINDy作为工具，强大的稀疏建模和系统辨识。然后，我们实证表明，增强的SINDy算法与因果发现的工具，可以为工程师提供一个学习因果关系强大的控制方程的工具。
2022-12-29 cs.LG stat.ME
Interpretable Causal Discovery via Causal-Effect Constraints
Yale University（耶鲁大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
该研究将条件因果发现转化为贝叶斯推理问题，采用稀有事件估计技术解决小后验质量事件的计算挑战，经合成图和Sachs蛋白质数据集验证了方法的准确性与辅助科学探索的作用。
2026-09-24 cs.AI cs.LG stat.ML
Causal Discovery for Fairness
INRIA（法国国家信息与自动化研究所）；École Polytechnique（巴黎综合理工学院）；IPP（巴黎综合理工学院研究院）
考虑基于AI和ML的决策的社会和伦理后果对于安全和可接受地使用这些新兴技术至关重要。特别是，公平性保证了ML的决定不会导致对个人或少数群体的歧视。利用因果关系可以更好地确定和可靠地衡量公平/歧视，这种因果关系考虑到敏感属性（如性别、种族、宗教等）之间的因果关系，而不仅仅是联系。以及决定（例如，工作招聘、贷款发放等）。然而，使用因果关系来解决公平问题的最大障碍是因果模型（通常表示为因果图）的不可用性。现有的因果关系的公平性的方法在文献中不解决这个问题，并假设因果模型是可用的。在本文中，我们不做这样的假设，我们回顾了主要的算法，发现因果关系，从可观察的数据。本研究的重点是因果发现及其对公平性的影响。特别是，我们展示了不同的因果发现方法可能会导致不同的因果模型，最重要的是，因果模型之间的微小差异如何对公平/歧视结论产生重大影响。这些结果通过使用合成和标准公平基准数据集的实证分析得到巩固。本研究的主要目标是强调因果发现步骤的重要性，以适当地解决公平使用因果关系。
2022-06-14 cs.AI cs.CY cs.LG
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
University of Amsterdam（阿姆斯特丹大学）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
在时间序列数据上，大多数因果发现方法在遇到来自新的潜在因果图的样本时都适合新的模型。然而，这些样本通常共享在遵循这种方法时丢失的相关信息。具体而言，不同的样本可能共享描述其因果关系的影响的动态。我们提出了摊销因果发现，一个新的框架，利用这种共享的动态学习推断因果关系的时间序列数据。这使我们能够训练单个摊销模型，该模型推断具有不同基础因果图的样本之间的因果关系，从而利用共享的动态信息。我们的实验表明，这种方法，实施为变分模型，导致因果发现性能的显着改善，并显示它如何可以扩展到执行以及下添加的噪声和隐藏的混淆。
2022-02-21 cs.LG stat.ML
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
Differentiable Causal Discovery For Latent Hierarchical Causal Models
University of California San Diego（加利福尼亚大学圣迭戈分校）；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）
针对现有因果发现方法在可扩展性与真实场景适用性上的局限，提出非线性潜在分层因果模型可识别性新理论，开发首个相关可微分算法，在准确性、可扩展性及下游任务中表现更优。
2024-11-29 cs.LG
LNML-based Causal Discovery with Latent Confounders: Theory and Experiments
Graduate School of Information Science and Technology, The University of Tokyo（东京大学信息科学与技术研究生院）；Graduate School of Arts and Sciences, The University of Tokyo（东京大学文理研究生院）
研究非线性机制和潜在混杂因素下的因果发现难题，提出基于最小化运气归一化最大似然（LNML）码长的因果发现框架，用贪心算法确定变量对因果关系，能准确恢复因果关系并检测潜在混杂因素。
2026-11-03 cs.LG
Neural Additive Vector Autoregression Models for Causal Discovery in Time Series
University of Antwerp（安特卫普大学）；imec（imec（微电子研究中心））
复杂动力系统的因果结构发现是许多科学领域面临的重要挑战。虽然（干预）实验的数据通常是有限的，大量的观测时间序列数据集通常是可用的。目前从时间序列中学习因果结构的方法通常假设线性关系。因此，他们可能会失败，在现实的设置，包含变量之间的非线性关系。我们提出了神经加性向量自回归（NAVAR）模型，这是一种用于因果结构学习的神经方法，可以发现非线性关系。我们训练深度神经网络，从多变量时间序列的时间演化中提取（加性）格兰杰因果影响。该方法实现了国家的最先进的结果，在各种基准数据集的因果发现，同时提供清晰的解释映射的因果关系。
2021-10-18 cs.LG
CausalFormer: An Interpretable Transformer for Temporal Causal Discovery
Tongji University（同济大学）；Fudan University（复旦大学）
针对现有时间因果发现方法仅利用深度学习模型部分组件参数、映射不完整的问题，提出由因果感知Transformer和基于分解的因果检测器组成的CausalFormer模型，在多类数据集上实现了当前最优的时间因果发现性能。
2024-06-24 cs.LG stat.ME
LLM Cannot Discover Causality, and Should Be Restricted to Non-Decisional Support in Causal Discovery
The Hong Kong Polytechnic University（香港理工大学）
本文论证LLM因自回归建模缺乏因果推理理论基础而不应直接决定因果关系，提出将其限制为非决策性辅助角色，并实验证明LLM引导的启发式搜索可加速因果结构学习。
2025-06-01 cs.LG
Towards Automated Causal Discovery: a case study on 5G telecommunication data
University of Crete（克里特大学）；FORTH（希腊研究与技术基金会研究与技术基金会（FORTH））
本文提出自动化因果发现（AutoCD）概念及平台架构，旨在全自动执行因果发现与推理并回答用户查询，通过在合成数据和5G电信时序数据上的应用验证其性能与通用性。
2024-02-22 cs.LG stat.ME
Causal-Discovery Performance of ChatGPT in the context of Neuropathic Pain Diagnosis
KTH Royal Institute of Technology（KTH皇家理工学院）；Microsoft Research（微软研究院）
ChatGPT在自然语言对话方面表现出了卓越的能力，例如，它可以回答广泛的问题，而以前的大语言模型不能。因此，我们希望通过使用因果发现中的医学基准（Tu et al. 2019）来推动其极限并探索其回答因果发现问题的能力。
2023-02-06 cs.CL cs.LG
The Landscape of Causal Discovery Data: Grounding Causal Discovery in Real-World Applications
Mila-Québec, Université de Montréal（蒙特利尔大学魁北克分校）；Carnegie Mellon University（卡内基梅隆大学）；Deutsches Forschungszentrum für künstliche Intelligenz (DFKI)（德国人工智能研究中心）；University of Pennsylvania（宾夕法尼亚大学）；Next Generation Analytics and Modulo Bio（下一代分析与Modulo Bio）；ServiceNow Research（ServiceNow研究）；Mila-Québec, Université Laval（魁北克蒙特利尔大学拉瓦尔分校）
本文通过系统性综述近期因果发现文献，指出当前方法依赖不切实际假设、评估方式不足的问题，梳理了多领域的可用数据集与假设违背情况，呼吁学界采用更真实的数据集和更合理的评估指标以推动因果发现的实际应用。
2025-06-13 cs.LG stat.ME
IRIS: An Iterative and Integrated Framework for Verifiable Causal Discovery in the Absence of Tabular Data
Monash University（莫纳什大学）；Microsoft Research, India（微软研究院，印度）
IRIS框架结合统计与LLM方法，从初始变量自动收集文档、提取变量并发现已知及新因果关系，同时识别缺失变量扩展因果图，实现无需预存数据的实时因果发现。
2025-10-10 cs.CL cs.LG
Causal Discovery in the Era of Agents
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）
提出智能体应辅助因果发现流程而非提供因果结论，通过causal-learn+平台实现数据驱动、算法支撑的因果发现，避免语言模型不可靠性转化为因果证据。
2026-06-23 cs.AI cs.LG cs.SE
TriOpt: A Scalable Algorithm for Linear Causal Discovery
Department of Computer Science（计算机科学系）
本文提出TriOpt算法，通过整合顺序方法和连续优化方法，解决了高维线性因果发现中的可扩展性问题，实现了显著的速度提升且保持了较高的准确性。
2026-06-23 cs.LG
