Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
Oregon State University（俄勒冈州立大学）；RIKEN Advanced Intelligence Project（理化学研究所先进智能项目）；The University of Osaka（大阪大学）；Shiga University（滋贺大学）
该研究针对缺失数据场景，建立了因果图可识别性的通用充分条件，提出两种适用于加性噪声模型的渐近正确算法，将完整数据因果发现的正确性保证扩展至缺失数据场景。
2026-10-15 cs.AI cs.LG stat.ME
Beyond identifiability: Learning causal representations with few environments and finite samples
本文提出在少量环境中通过有限样本学习因果表示的方法，通过扰动分析保证了潜在因果图、混合矩阵和未知干预目标的一致恢复。
2026-03-26 cs.AI cs.LG math.ST
Causal Discovery in the Presence of Measurement Error: Identifiability Conditions
Carnegie Mellon University（卡内基梅隆大学）；University of Pittsburgh（匹兹堡大学）
变量观测值的测量误差会极大地改变各种因果发现方法的输出。这个问题已经在多个领域得到了广泛的关注，但它是不清楚的，在多大程度上的因果模型的测量误差的自由变量可以识别的测量误差的存在与未知的方差。本文研究了无测量误差因果模型的精确可辨识性充分条件，并证明了从观测数据中可以恢复因果模型的哪些信息。特别是，我们提出了两套不同的可识别性条件，分别基于二阶顺序统计量和高阶顺序统计量的数据。前者受测量误差污染数据生成模型与因子分析模型之间关系的启发，后者利用了过完备独立成分分析问题的可辨识性结果。
2017-06-10 cs.AI stat.ME stat.ML
General Identifiability and Achievability for Causal Representation Learning
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Google Research India（谷歌印度研究院）
本文研究一般非参数潜在因果模型下的因果表示学习，通过每个节点两次硬解耦干预证明了模型与变量的可识别性，并设计算法利用分数变化恢复潜在变量，证明了观测数据下额外忠实性假设非必要。
2024-02-14 cs.LG stat.ML
Score-based Causal Representation Learning: Linear and General Transformations
Carnegie Mellon University（卡内基梅隆大学）；Rensselaer Polytechnic Institute（伦斯勒理工学院）；Google DeepMind（谷歌DeepMind）；Amazon AGI（亚马逊AGI）
本文利用分数函数与因果表示学习的联系，提出基于分数的算法，在线性和一般变换下分别给出每个节点一次和两次随机硬干预即可保证可识别性的条件，并实现潜在因果变量与因果图的恢复。
2025-07-19 cs.LG stat.ML
Robust Identifiability in Linear Structural Equation Models of Causal Inference
University of Maryland, College Park（马里兰大学帕克分校）；Indian Institute of Science, Bangalore（班加罗尔印度科学研究所）；Microsoft Research, India（微软研究院（印度））
在这项工作中，我们考虑的问题，从观测数据的线性结构方程模型（LSEMs）的背景下的鲁棒参数估计。LSEM是一种流行的和研究良好的模型，用于推断自然科学和社会科学中的因果关系。与大尺度电磁场相关的主要问题之一是从观测数据中恢复模式参数。在各种条件下的LSEM和模型参数的现有工作提供了有效的算法来恢复的参数。然而，这些结果往往是关于通用的可识别性。在实践中，一般的可识别性是不够的，我们需要鲁棒的可识别性：观测数据的微小变化不应该对参数产生巨大的影响。鲁棒可识别性受到的关注要少得多，而且仍然知之甚少。Sankararaman等人（2019）最近提供了一组关于参数的充分条件，在这些条件下鲁棒可识别性是可行的。然而，他们的工作的一个局限性是，他们的结果只适用于LSEM的一个小子类，称为“无弓路径”。在这项工作中，我们在多个维度上大大扩展了他们的工作。首先，对于一个大的和充分研究的类LSEMs，即“弓自由”模型，我们提供了一个充分条件下，强大的可识别性持有模型参数，从而消除了限制的路径所需的事先工作。然后，我们表明，这一充分条件具有很高的概率，这意味着一个大的参数集强大的可识别性，并为这些参数，现有的算法已经实现了强大的可识别性。最后，我们在模拟和真实世界的数据集上验证了我们的结果。
2020-07-14 cs.AI cs.DS cs.LG
Causality and Generalizability: Identifiability and Learning Methods
University of Copenhagen（哥本哈根大学）；Technical University of Denmark（丹麦技术大学）；University of Amsterdam（阿姆斯特丹大学）
这篇博士论文包含了统计因果建模领域的几个贡献。统计因果模型是嵌入因果假设的统计模型，允许对受外部操纵（干预）影响的随机系统的行为进行推断和推理。本论文的研究领域涉及因果效应估计、因果结构学习和分布鲁棒（分布外推广）预测方法。我们提出了新的和一致的线性和非线性因果效应估计的工具变量设置，采用数据依赖的均方预测误差正则化。我们提出的估计显示，在某些设置中，均方误差的改进相比，规范和国家的最先进的估计。我们发现，最近的研究分布稳健的预测方法有连接到充分研究的估计计量经济学。这种联系使我们证明，一般的K-类估计具有分布鲁棒性。此外，我们提出了一个一般框架的分布鲁棒性的干预诱导的分布。在这个框架中，我们推导出充分条件的分布鲁棒预测方法的可识别性，并提出不可能的结果，显示了这些条件的必要性。本文提出了一种新的结构学习方法，适用于加性噪声模型，有向树作为因果图。我们证明了一致性消失的可识别性设置，并提供了一种方法来测试子结构假设与渐近族明智的误差控制，仍然有效的后选择。最后，我们提出了启发式的想法学习非线性时间序列模型的摘要图。
2021-10-04 cs.LG stat.ML
Identifiability of Causal Graphs using Functional Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）
这项工作解决了以下问题：在什么样的假设下，对数据生成过程中可以推断因果图的联合分布？基于条件独立的因果发现方法基于两个假设：马尔可夫条件和忠实性。它已被证明，在这些假设下，因果图可以识别到马尔可夫等价（一些箭头保持无向）使用PC算法等方法。在这项工作中，我们提出了一种替代定义可识别的功能模型类（IFMOCs）。作为我们的主要定理，我们证明了，如果数据生成过程属于IFMOC，可以确定完整的因果图。据我们所知，这是第一个可识别的结果，这种不限于线性函数关系。我们讨论了IFMOC假设和马尔可夫和忠诚假设之间的关系，并解释了为什么我们认为IFMOC假设可以更容易地在给定的数据上进行测试。我们进一步提供了一个实用的算法，恢复的因果图从大量的数据，模拟数据的实验支持的理论研究结果。
2012-02-14 cs.LG stat.ML
Learning Causal Representations from General Environments: Identifiability and Intrinsic Ambiguity
Institute for Computational & Mathematical Engineering, Stanford University（斯坦福大学计算与数学工程研究所）；Department of Management Science & Engineering, Stanford University（斯坦福大学管理科学与工程系）
本研究提出在一般环境下进行因果表示学习的首个可辨识性结果，证明线性模型可恢复因果图但潜在变量存在环绕节点模糊性，并设计算法LiNGCReL验证有效性。
2024-02-03 cs.AI cs.LG econ.EM
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
Inria（法国国家信息与自动化技术研究院）；CEA（法国国家科学研究中心）；University of Paris-Saclay（巴黎-萨克勒大学）；University of Carnegie Mellon（卡内基梅隆大学）；Apple（苹果公司）；University of Helsinki（赫尔辛基大学）
该研究针对因果发现需强非高斯性假设的问题，利用多视图结构提出多视图线性结构方程模型及相关算法，可估计脑区因果图，在模拟与神经影像数据中验证有效。
2026-10-23 cs.LG stat.ML
Identifiability Guarantees for Causal Disentanglement from Purely Observational Data
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布罗德研究所）；LIDS, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）
研究纯观测数据下的因果解缠问题，提出在加性高斯噪声和线性混合的非线性因果模型中实现因果变量逐层辨识的理论保证及基于得分估计求解二次规划的实用算法。
2024-12-23 cs.LG stat.ML
Identifiability of an Integer Modular Acyclic Additive Noise Model and its Causal Structure Discovery
因果关系的概念在许多处理不确定性的情况下使用。本文研究了在给定数据集由离散随机变量而不是连续随机变量产生的情况下，因果关系能否被识别的问题。特别是，对于非二进制数据，迄今为止，除了极少数情况外，仅知道可以确定因果关系。本文给出了二元整数模非循环加性噪声（IMAN）的充要条件。此外，我们以更明确的方式将二元和多元因果可识别性联系起来，并开发了一种实用的算法来查找变量及其父集的顺序。我们证明了它的性能，在应用程序中的人工数据和现实世界的身体运动数据与传统的方法相比。
2014-01-22 stat.ML
Entropic Causal Inference: Identifiability and Finite Sample Results
MIT（麻省理工学院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；IBM Research（IBM研究院）
熵因果推断是从观测数据中推断两个分类变量之间因果关系方向的框架。核心假设是系统中未观察到的随机性不会太大。这种未观察到的随机性是由基础结构因果模型中的外生变量的熵来衡量的，该模型控制着观察到的变量之间的因果关系。Kocaoglu等人指出，当外生变量的熵不太大时，因果方向是可识别的。在本文中，我们证明了他们的猜想的一个变种。也就是说，我们表明，几乎所有的因果模型的外生变量的熵不与观测变量的状态数的比例，因果方向是可识别的观测数据。我们还考虑了Kocaoglu等人提出的基于最小熵耦合的算法方法，并首次证明了使用有限数量的样本的算法可识别性保证。我们进行了大量的实验，以评估该方法的鲁棒性放松我们的理论中的一些假设，并证明了恒定熵的外生变量和没有潜在的混淆假设可以放松在实践中。我们还经验性地描述了因果识别所需的观察样本的数量。最后，我们将该算法应用于Tuebingen因果对数据集。
2021-01-10 cs.AI cs.IT cs.LG
On the Identifiability of Causal Abstractions
Mila, McGill University（米拉-麦吉尔大学（Mila））
针对 CRL 中要求所有潜在变量可单独干预的限制，本文提出在任意子集可干预的现实设定下，量化潜在因果模型相对于高层抽象的可辨识程度的理论框架。
2025-03-13 cs.LG stat.ML
Exogenous Isomorphism for Counterfactual Identifiability
Shanghai Key Laboratory of Trustworthy Computing（上海市可信计算重点实验室）
本文提出外生同构与$\sim_{\mathrm{EI}}$-可识别性，在双射SCM和三角单调SCM中建立$\sim_{\mathcal{L}_3}$-可识别性的充分条件，统一并推广现有理论，并通过神经TM-SCM实验验证方法有效性。
2025-05-04 cs.LG stat.ML
Efficient Symbolic Computations for Identifying Causal Effects
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院）；Binghamton University（宾夕法尼亚州立大学布林茅尔分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。
2026-04-22 cs.LG stat.ML
On the Identifiability of Causal Graphs with the Invariance Principle
Institute of Science and Technology Austria（奥地利科学与技术研究所）；Chan Zuckerberg Initiative（查兰·泽克伯格倡议）
本文证明在特定条件下，通过少量环境数据可唯一确定因果图结构，提出放松高斯噪声假设的方法，并扩展独立成分分析与因果发现的对偶性。
2026-05-14 cs.LG stat.ML
Identifiability Analysis of Linear ODE Systems with Hidden Confounders
The University of Melbourne（墨尔本大学）；University of California, San Diego（加利福尼亚大学圣迭戈分校）
该研究针对含隐藏混杂因子的线性ODE系统可识别性条件未被探索的问题，系统分析了无因果关系、因果结构为DAG的两类潜混杂因子场景下的可识别性，并通过仿真验证了理论结果。
2026-10-07 cs.LG stat.ML
Invariance of Clustering Operations in Causal Effect Identification
University of Jyvaskyla（于韦斯屈莱大学）
本文研究因果图中聚类操作对因果效应识别的影响，提出基于c-分量的条件，定义并刻画了一类识别不变的聚类操作，并展示了其实际应用。
2026-10-05 cs.LG stat.ML
What can be estimated? Identifiability, estimability, causal inference and ill-posed inverse problems
University of Auckland（奥克兰大学）
我们考虑有关统计估计和因果推断之间的关系的基本概念问题。首先，我们展示了如何将因果推理问题转化为一个抽象的统计形式主义，而不需要任何结构超出一个任意索引的概率模型家族。形式主义很简单，但可以包含各种因果建模框架，包括“结构因果模型”，但也可以用以下术语表示的模型，例如，微分方程。然而，我们主要关注结构/图形因果建模文献。其次，我们考虑在何种程度上因果关系和统计问题可以清楚地分开，检查的基本问题：“什么可以估计从数据？”'.我们称之为可估计性问题。我们通过分析一个标准的正式定义“可以估计”通常采用的因果推理文献-可识别性-在我们的抽象统计形式主义。我们使用初等范畴论表明，可识别性意味着存在一个Fisher一致的估计，但也表明，这种估计可能是不连续的，因此不稳定的，一般。这个困难的出现是因为因果推理问题，一般来说，是一个不适定的逆问题。反问题有三个条件必须满足才能被认为是适定的：解的存在性、唯一性和稳定性。在这里，可识别性对应于唯一性问题;相反，我们将可估计性视为满足所有三个条件，即适定性。缺乏稳定性意味着将因果关系可识别的数量天真地转化为可实现的统计估计目标可能证明是不可能的。我们的文章主要是简要的，旨在统一来自多个领域的思想，尽管我们提供了新的构造和证明。
2020-07-21 cs.LG math.ST stat.ML
Epidemiological Causal Graph Identification: Challenges, Identifiability and Algorithms
University of Southern California（南加州大学）；University of California, Davis（加利福尼亚大学戴维斯分校）
本文针对混合数据类型（有序与指数族）的因果图识别问题，证明了边方向的可识别性，并提出了基于评分搜索和DAGMA优化的算法，实验验证了其有效性。
2026-09-18 cs.LG stat.ME stat.ML
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
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
Identifiability of Sparse Causal Effects using Instrumental Variables
本文研究工具变量下稀疏线性因果模型的可识别性，提出图形准则与spaceIV估计器，并证明其一致性及在不可识别时恢复部分因果父节点的能力。
2024-10-18 math.ST stat.ME stat.ML
Identifying Weight-Variant Latent Causal Models
Responsible AI Research Centre（负责任人工智能研究中心）；Australian Institute for Machine Learning（澳大利亚机器学习研究所）；School of Computer Science and Engineering（计算机科学与工程学院）；School of Mathematics and Statistics（数学与统计学学院）；Halicioğlu Data Science Institute（Halicioğlu数据科学研究所）；Department of Philosophy（哲学系）
本文提出SuaVE方法，通过引入线性高斯模型解决潜在因果变量的可识别性问题，实现因果表示学习。
2026-02-18 cs.LG stat.ML
Unpaired Multi-Domain Causal Representation Learning
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）；LIDS, Massachusetts Institute of Technology（麻省理工学院信息与决策系统实验室）；Broad Institute of MIT and Harvard（布罗德研究所）
本文研究非配对多领域数据下的因果表示学习，在线性设定下给出联合分布与共享因果图的可识别性条件，并提出从各领域边际分布恢复共享潜在因果图的实用方法。
2023-10-27 cs.LG stat.ME stat.ML
Leveraging Task Structures for Improved Identifiability in Neural Network Representations
University of Cambridge（剑桥大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本工作扩展了监督学习的可识别性理论，证明在多任务回归中利用任务分布可实现线性可识别性，引入因果结构后能缩小等价类并实现简单优化，实验表明该方法在恢复合成与分子数据表示上优于无监督模型。
2024-08-23 cs.LG stat.ML
Counterfactual Identifiability via Dynamic Optimal Transport
Imperial College London（帝国理工学院伦敦分校）
本文提出通过连续时间流进行多变量反事实识别，利用动态最优传输工具建立反事实运输映射，确保一致推断，并在受控场景中验证理论，提升反事实声学的鲁棒性。
2026-03-24 cs.AI cs.LG stat.ML
Disentangling Continuous-Time Latent Dynamics: Identifiability of Latent SDEs via Diffusion Shifts
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Melbourne（墨尔本大学）；Peking University（北京大学）；Carnegie Mellon University（卡内基梅隆大学）
针对连续时间潜在随机微分方程模型的可辨识性问题，利用环境引起的扩散协方差偏移，证明在漂移无稀疏性假设下，对角扩散机制可识别潜在坐标至置换和缩放，并估计潜在解缠与因果图。
2026-10-02 cs.LG stat.ML
Demystifying amortized causal discovery with transformers
Institute of Science and Technology Austria（奥地利科学与技术研究所）；Chan Zuckerberg Initiative（查纳·泽克伯格倡议）；Mila - Quebec AI Institute and Université de Montréal（蒙特利尔AI研究所和蒙特利尔大学）
本文分析了CSIvA在双变量因果模型中的表现，发现其在测试时依赖于训练分布定义的先验，且在不同结构假设下改进了泛化能力，推翻了之前关于监督学习能克服限制的假设。
2026-03-18 cs.LG stat.ML
Sample Complexity of Causal Identification with Temporal Heterogeneity
本文研究了在时间异质性条件下因果图恢复的样本复杂性，通过整合时间结构与环境异质性，提出了统一的可识别性条件，并揭示了厚尾分布下统计恢复的限制。
2026-02-06 cs.LG stat.ML
Block Disentanglement in CRL: Bridging Identifiability and Visual State Estimation
Rensselaer Polytechnic Institute（伦斯勒理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Swiss AI, EPFL（瑞士人工智能，洛桑联邦理工学院）；Google DeepMind（谷歌DeepMind）；University of Delaware（特拉华大学）
本文为干预性因果表示学习在弱化假设下建立块解缠的可辨识性保证，并将其应用于无标签的具身视觉状态估计，实现从图像视频恢复机器人物理变量，架起理论到实践的桥梁。
2026-10-06 cs.LG stat.ML
Causal Identification in Time Series Models
Engineering and Applied Science, California Institute of Technology（工程与应用科学学院，加州理工学院）
本文分析了Causal Identification算法在带有潜在混杂因素的因果时间序列图中的适用性，首次提出了仅取决于变量数和最大时间滞后的界限，并证明对恒定大小图段应用该算法即可判定跨无限时间区间的因果效应可识别性。
2025-04-28 cs.AI cs.LG stat.ME
Enhancing Identification of Causal Effects by Pruning
University of Jyvaskyla（于韦斯屈莱大学）
因果模型传达了我们对现实世界现象中的因果关系的假设。通常，兴趣在于识别动作的效果，这意味着从观察到的概率分布导出由动作引起的干预分布的表达式。在许多情况下，可识别性算法可能会返回一个复杂的表达式，其中包含实际上不必要的变量。在实践中，当处理测量误差或缺失数据时，这可能导致额外的计算负担和增加的偏差或估计的低效率。我们提出了图形化的标准，以检测变量是多余的，在确定因果关系的影响。我们还提供了一个众所周知的可识别性算法，实现这些标准的改进版本。
2018-06-19 cs.LG stat.ML
Computational Identifiability
New York University（纽约大学）
提出“计算可识别性”框架，通过有限计算搜索过程在指定误差容限内找到经验估计量，从而解决理论可识别性在有限样本、模糊图标准等实际场景中的不足。
2026-06-19 cs.AI cs.LG cs.NA
On the Representation of Pairwise Causal Background Knowledge and Its Applications in Causal Inference
Peking University（北京大学）；Xiaomi Corporation（小米公司）；Inspur Industrial Innovation (Shandong) Intelligent Manufacturing Co., Ltd.（Inspur工业创新（山东）智能制造有限公司）；Renmin University of China（中国人民大学）
本文提出通过直接因果子句（DCC）统一表示三种成对因果背景知识，并证明因果效应的可识别性仅依赖于分解的MPDAG。
2026-01-03 cs.AI cs.LG stat.ML
Testing Full Mediation of Treatment Effects and the Identifiability of Causal Mechanisms
University of Fribourg（弗里堡大学）；University of Munich（慕尼黑大学）；ifo Institute（伊弗经济研究所）；Matej Bel University（马特伊·贝尔大学）；Norwegian School of Economics（挪威经济学院）
提出检验随机分配治疗是否完全通过中介变量影响结果，以及不同中介的因果机制是否可识别，并扩展至非随机治疗情形。
2026-06-05 econ.EM stat.ML
On the Identifiability of Mixed Ordinal and Exponential Family Causal DAGs under Linear Parametric Models
University of Southern California（南加州大学）
本文研究线性参数模型中混合有序与指数族节点间因果边的方向可识别性，证明在有序节点至少三类别且指数族节点至少三支撑点条件下，边方向可由联合分布唯一识别，并通过实验验证了理论。
2026-09-17 cs.LG math.ST stat.ME
Iterative Identification Closure: Amplifying Causal Identifiability in Linear SEMs
Tsinghua Shenzhen International Graduate School, Tsinghua University（清华大学深圳国际研究生院）
本文提出迭代识别闭合框架，通过迭代反馈机制提升线性SEM中因果效应系数的可识别性，有效解决传统HTC方法无法处理的' inconclusive'因果效应问题。
2026-10-27 cs.LG stat.CO stat.ML
Causal Representation Learning Made Identifiable by Grouping of Observational Variables
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系）
本文提出一种仅依赖观测变量分组这一弱约束的因果表示学习可辨识性方法，无需时间结构、干预或弱监督，并设计了自监督估计框架，在实验中优于现有基线且对混杂因素和因果循环具有鲁棒性。
2024-06-07 cs.LG stat.ML
Identifying Linearly-Mixed Causal Representations from Multi-Node Interventions
Technische Universität Berlin（柏林工业大学）；German Aerospace Center（德国航空航天中心）
针对因果表示学习中的欠约束问题，放宽单节点干预假设，提出在多节点干预下利用干预方差痕迹与稀疏性正则化实现因果变量可识别性的理论与算法。
2024-03-22 cs.LG math.ST stat.ME
Leveraging heterogeneity for identifiability: Bayesian order-based learning of multiple DAGs
University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文提出一种联合顺序评分框架，用于在异质数据设置下学习有向无环图模型的因果结构。通过展示利用异质性可提高因果顺序估计的准确性，提出基于顺序的贝叶斯方法，并在高维情况下建立其理论性质。
2026-05-15 stat.CO stat.ME stat.ML
Identifying Causal Effects Using a Single Proxy Variable
Lakera AI
本文研究如何通过单一代理变量识别因果效应，提出SPICE假设并扩展了代理基于因果可识别性结果，开发了SPICE-Net神经网络估计框架。
2026-09-28 cs.LG math.ST stat.ME
Identifiability of Gaussian structural equation models with equal error variances
我们考虑结构方程模型中的变量可以写为一个函数，他们的父母和噪声项，这是假设为联合独立。对应于每个结构方程模型，存在描述变量之间关系的有向无环图。在具有线性函数的高斯结构方程模型中，假设忠实性，图只能从联合分布识别到马尔可夫等价类。在这项工作中，我们证明了充分的可识别性，如果所有的噪声变量具有相同的方差：有向无环图可以从联合高斯分布恢复。我们的结果对因果推断有直接的影响：如果数据遵循具有等误差方差的高斯结构方程模型，并假设所有变量都被观测到，则因果结构只能从观测数据中推断出来。我们提出了一个统计方法和算法，利用我们的理论研究结果。
2013-08-28 math.ST stat.ML stat.TH
Identifiability Guarantees for Drivers and Dynamics of Delayed Physical Systems
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）
针对延迟物理系统，提出一种基于理论的方法，证明在宽松假设下随机延迟微分方程的结构驱动因素与漂移项可辨识，并在两个基准上优于现有方法。
2026-10-02 cs.LG math.DS stat.ML
Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders
Nara Institute of Science and Technology（奈良科学技术大学）；Kyoto University（京都大学）；Ateneo de Manila University（马尼拉大学）
本文提出LANCA模型，通过加性噪声模型作为归纳偏置，实现无监督因果发现，优于现有方法在合成和真实环境中的表现。
2025-12-15 cs.LG stat.ML
Estimating Causal Direction and Confounding of Two Discrete Variables
Caltech（加州理工学院）
我们提出了一种方法来分类两个离散变量之间的因果关系，只给变量的联合分布，承认该方法是受固有的基线误差。我们假设因果系统是非循环的，但我们确实允许隐藏的共同原因。我们的算法的前提是，概率分布$P(C)$的原因$C$是独立的概率分布$P(E\mid C)$的因果机制。虽然我们的分类器是用平坦超先验的贝叶斯假设训练的，但我们对我们的测试数据不做这种假设。这项工作连接到最近的事态发展的因果模型的可识别性在连续变量的假设下的“独立机制”。在http://vision.caltech.edu/~kchalupk/code.html上可以找到复制我们所有实验的经过仔细注释的Python笔记本。
2016-11-04 cs.AI cs.LG stat.ML
Causal Discovery in Linear Structural Causal Models with Deterministic Relations
Georgia Institute of Technology（佐治亚理工学院）；University of Detroit Mercy（底特律梅西大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
线性结构因果模型（SCM）-其中每个观测变量是由其他观测变量的子集以及外生源的子集生成的-在因果推理和因果发现中很普遍。然而，对于因果发现的任务，现有的工作几乎完全集中在子模型中，每个观察到的变量与一个不同的源与非零方差。这导致了这样的限制，即没有观察到的变量可以确定性地依赖于其他观察到的变量或潜在的混杂因素。在本文中，我们通过关注不具有这种性质的线性SCM的子类，即，在这些模型中，观测变量可以受到源的任何子集的因果影响，并且允许是其他观测变量或潜在混杂因素的确定性函数。这允许对系统中的影响或信息传播进行更真实的建模。我们专注于从这个子类的成员产生的观测数据的因果发现的任务。我们得到了一组因果结构唯一可识别的充分必要条件。据我们所知，这是第一个工作，使潜在的混淆和确定性关系下的因果发现的可识别性结果。此外，我们提出了一个算法，用于恢复的基础因果结构时，满足上述条件。我们验证了我们的理论结果在合成和真实的数据集。
2022-11-08 cs.AI cs.IT cs.LG
Clustering and Structural Robustness in Causal Diagrams
University of Jyvaskyla（于韦斯屈莱大学）
本文针对大规模因果图的简化问题，定义可保留因果效应可识别性的 transit cluster，提出寻找全部此类聚类的可靠完备算法，并揭示其与扩展图结构稳健性的关系。
2023-08-15 cs.LG stat.ME stat.ML
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
Estimating the average causal effect of intervention in continuous variables using machine learning
NTT DATA Mathematical Systems Inc.（NTT数据数学系统公司）
最广泛讨论的估计平均因果效应/平均处理效应的方法是离散二元变量的干预方法，其值代表干预/非干预组。另一方面，用于干预独立于数据生成模型的连续变量的方法尚未开发。在这项研究中，我们给出了一种方法来估计平均因果效应的干预连续变量，可以应用于任何生成模型的数据，只要因果效应是可识别的。该方法不依赖于机器学习算法，并保持了数据的可识别性。
2022-03-16 cs.LG stat.ML
Clustering and Pruning in Causal Data Fusion
Department of Mathematics and Statistics（数学与统计学系）
针对多数据源因果融合中变量增多导致计算复杂的问题，提出剪枝和聚类预处理方法，基于小图推断大图中因果效应的可识别性并给出识别函数。
2026-09-09 cs.LG stat.ME stat.ML
Identifiability of Potentially Degenerate Gaussian Mixture Models With Piecewise Affine Mixing
University of Amsterdam（阿姆斯特丹大学）；Samsung AI Lab, Montreal（蒙特利尔三星人工智能实验室）；Saarland University & University of Amsterdam（萨尔州立大学与阿姆斯特丹大学）
本文研究了在分段仿射混合函数下，潜在退化高斯混合模型的可识别性问题，提出通过稀疏正则化和高斯性约束的两阶段方法来估计潜在变量。
2026-04-14 cs.AI cs.LG math.ST
Noisy-OR Models with Latent Confounding
HIIT（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）；Washington University in St. Louis（圣路易斯华盛顿大学）
给定一组实验，其中观察到的变量的不同子集进行干预，我们考虑问题的因果模型表现出潜在的混淆的可识别性。虽然当每个实验都干预大量变量时，可识别性是微不足道的，但当每个实验只有一个或几个变量受到干预时，情况就更加复杂了。对于具有潜在变量的线性因果模型，Hyttinen等人（2010）给出了这些数据足以识别完整模型的精确条件。虽然他们的结果不能扩展到任意因果关系的离散值变量，我们表明，可以得到类似的结果的因果模型的条件概率分布被限制到一个“噪声或”参数化类。我们进一步表明，识别下的模型，允许负面影响的扩展，并提出学习算法，我们测试的准确性，可扩展性和鲁棒性。
2012-02-14 cs.LG stat.ML
