Heterophilic Graph Neural Networks Optimization with Causal Message-passing
Hong Kong University of Science and Technology(香港科技大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Huawei Technologies Co., Ltd(华为技术有限公司)
本研究提出利用因果推理捕捉异质性图神经网络的消息传递,通过干预式因果推理简化分析并构建CausalMP网络,在链路预测和节点分类任务中均实现了更优性能。
2024-11-27 cs.AI cs.LG stat.ML
Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood
本研究提出结合HMM与MTGCN的预测因果推断集成框架,非对称处理时空信息以拓展双稳健估计,经临床场景模拟验证,可适配生物医学数据时空复杂性、提升偏差校正与预测精度。
2025-10-30 cs.LG stat.ME stat.ML
Conditional Independence Tests for Constraint-Based Causal Discovery: A Survey
University of Nicosia(尼科西亚大学);School of Sciences and Engineering(科学与工程学院)
该综述针对生物医学领域常见的高维混合类型场景,梳理六大类条件独立性检验方法,分析其优缺点,关联测试级与图级错误,对比主流库应用并总结开放挑战。
2026-08-12 cs.LG stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University(澳大利亚国立大学);Data61/NICTA(Data61/国家信息与通信技术研究院);University of Alberta(阿尔伯塔大学)
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈,不利用现有的方法。我们提出了一个新的算法,利用因果反馈,并证明其简单的遗憾,严格优于(在所有数量)比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
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
Causal Analysis at Extreme Quantiles with Application to London Traffic Flow Data
提出一种结合重尾特征估计极端尾部处理效应的新方法,应用于伦敦交通数据,发现Cycle Superhighways运营后极端交通流量显著增加。
2023-08-07 stat.ME
The market nanostructure origin of asset price time reversal asymmetry
我们引入了一个框架来推断复杂系统的元素的状态之间的领先滞后网络,确定在不同的时间尺度。由于这种网络编码了系统的因果结构,因此推断多对时间尺度的超前-滞后网络提供了时间尺度之间相互影响的全局图像。我们将我们的方法应用于两个交易者解析的外汇数据集,并记录了时间尺度对超前滞后网络结构的强大而复杂的非对称影响。不出所料,这种不对称性延伸到了交易者的活动:在我们的数据集中,对于机构客户来说,过去在时间尺度上超过3小时的活动与未来在时间尺度上的活动的相关性比相反的情况更高(Zumbach效应),而对于过去在时间尺度上短于3小时的活动,则发现了反向Zumbach效应;零售客户有一个完全不同的、更加复杂的不对称时间尺度影响结构。因果关系结构显然是由两类交易者明显不同的行为造成的。因此,市场上的纳米结构,即,个人交易者层面的市场动态,为金融市场的因果结构提供了前所未有的洞察力,这比以前想象的要复杂得多。
2020-04-07 q-fin.ST stat.AP
Directional Dependence of Extreme Events
De Vinci Higher Education, De Vinci Research Center(德芬奇高等教育,德芬奇研究中心);Institute of Finance & Technology, University College London(伦敦大学学院金融与技术研究所)
本文提出一种量化两个变量间极端事件方向依赖性的新方法,通过研究秩变换变量的条件尾期望来捕捉不对称尾依赖性,并通过模拟研究和海洋数据集验证了其在极端事件因果效应检测中的应用。
2026-04-03 stat.AP stat.ME
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
RealCause: Realistic Causal Inference Benchmarking
Mila(米拉研究所)
在因果推理中有许多不同的因果效应估计量。然而,目前尚不清楚如何在这些估计量之间进行选择,因为因果效应没有地面实况。一个常用的选择是模拟合成数据,其中地面实况是已知的。然而,合成数据上的最佳因果估计量不太可能是真实数据上的最佳因果估计量。因果估计量的理想基准将(a)产生因果效应的地面真值,(b)代表真实数据。使用灵活的生成模型,我们提供了一个基准,既产生地面真相,是现实的。使用这个基准,我们评估了超过1500种不同的因果估计,并提供证据表明,使用预测指标为因果估计选择超参数是合理的。
2021-03-29 cs.AI cs.LG stat.ML
Causal Inference with Deep Causal Graphs
Universitat de Barcelona(巴塞罗那大学)
参数因果建模技术很少提供反事实估计的功能,往往以建模复杂性为代价。由于因果估计依赖于用于对数据进行建模的函数族,因此过于简单的模型可能会导致生成机制的不精确表征,从而导致不可靠的结果。这限制了它们对现实生活数据集的适用性,这些数据集具有非线性关系和变量之间的高度相互作用。我们提出了深度因果图(Deep Causal Graphs),这是对神经网络建模因果分布所需功能的抽象规范,并提供了满足此契约的模型:规范化因果流。我们展示了它的表达能力,在建模复杂的相互作用和展示应用程序的方法,机器学习的可解释性和公平性,使用真正的因果反事实。
2020-06-15 cs.LG cs.NE stat.ML
Probabilistic Modelling is Sufficient for Causal Inference
University of Cambridge(剑桥大学)
本文表明,概率建模足以回答因果推断问题,无需专门的因果工具或符号。
2025-12-29 cs.LG stat.ME stat.ML
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society(数据与社会卢西家族研究所);University of Notre Dame(诺克斯达大学);Political Science University of Notre Dame(政治学诺克斯达大学)
提出动态因果网络自回归(DCNAR)两阶段框架,通过神经自回归因果发现学习稀疏有向因果网络,并将其作为结构先验用于时变神经网络自回归,实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而,这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用(例如,医疗记录、个人财务等)。因此,需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架,加性噪声模型(ANM),同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验,并证明我们的技术是实用的,易于实现。
2016-08-20 stat.ML
Causal Inference on Networks under Continuous Treatment Interference
针对连续处理与网络干扰下的非实验政策评估场景,提出基于广义倾向得分的估计量,可估计直接和溢出效应并适配异质强度的非对称网络,农业市场应用显示忽略干扰会低估政策有效性。
2023-06-12 econ.EM stat.AP stat.ME
Causal Entropy and Information Gain for Measuring Causal Control
Utrecht University(乌得勒支大学)
针对现有可解释机器学习方法及信息论特征选择缺乏因果性的问题,提出因果熵与因果信息增益度量以衡量特征对结果的因果控制能力,推导相关基础结论并验证其在特征选择中优于标准互信息,助力因果领域可解释方法开发。
2024-01-26 cs.IT cs.LG math.IT
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断,算法设计和数值计算。该领域旨在开发专门从事因果推断的软件,这些软件可以以高性能,通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性,并使因果推断能够容易地集成到大型工程系统中。特别是,我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域,需求,可扩展性的机会,开放的挑战,并开始讨论社区如何能够团结起来,以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包,并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
The Causal Information Bottleneck and Optimal Causal Variable Abstractions
Department of Information and Computing Sciences(信息与计算科学系)
针对传统信息瓶颈忽视因果结构的问题,提出因果信息瓶颈 CIB,在压缩变量的同时保持对目标变量的因果控制,并通过实验验证其抽象能准确捕捉因果关系。
2025-06-11 cs.AI cs.IT cs.LG
Causal Discovery via Simultaneous DAG Recovery Using the Angles Space of Directional Dependence Measures
DataMineit, LLC(DataMineit有限责任公司)
本文提出了一种非参数角度基相关度量(NAbC)方法,用于稳健推断、灵活场景分析和金融组合因果建模。
2026-09-26 q-fin.PM q-fin.RM q-fin.ST
A Topological Perspective on Causal Inference
Stanford University(斯坦福大学)
本文提出了一个拓扑学习理论的因果推理的角度,通过引入一系列的拓扑定义的一般空间的结构因果模型(SCM)。作为一个说明的框架,我们证明了拓扑因果层次定理,表明实质性的无约束因果推理是可能的,只有在一个微薄的SCM集。由于一个已知的弱拓扑和统计上可验证的假设之间的对应关系,我们的研究结果表明,归纳假设足以许可有效的因果推理是统计上不可验证的原则。类似于统计推断的无免费午餐定理,本研究结果澄清了因果推断的实质性假设的必然性。我们的拓扑方法的另一个好处是,它很容易容纳SCM无限多个变量。最后,我们建议,该框架可能有助于积极的项目,探索和评估替代的因果关系归纳假设。
2022-05-31 cs.AI cs.LG stat.ME
Causal inference in drug discovery and development
University of Bergen(卑尔根大学);Roche Innovation Centre Basel(罗氏创新中心巴塞尔);University of Basel(巴塞尔大学)
本文面向药物研发从业者,以非技术方式介绍因果推断的基本概念,回顾其在药物发现与开发中的近期应用,并分析采用因果语言带来的机遇与挑战。
2022-09-29 cs.LG q-bio.QM stat.AP
DoWhy-GCM: An extension of DoWhy for causal inference in graphical causal models
Amazon Web Services(亚马逊网络服务)
本文提出 DoWhy-GCM,通过图因果模型扩展 DoWhy 库,支持根本原因识别、因果归因和结构诊断等多种因果查询,并只需几行代码即可完成。
2024-06-06 cs.AI stat.ME stat.ML
Optimal Causal Inference: Estimating Stored Information and Approximating Causal Architecture
University of Hawaii at Manoa(马诺阿夏威夷大学);University of California at Davis(加州大学戴维斯分校);Santa Fe Institute(圣塔菲研究所)
我们介绍了一种方法来推断因果结构的随机动态系统,扩展率失真理论使用因果屏蔽-一个自然的学习原则。我们研究了两种不同的情况下的因果推理:最优因果过滤和最优因果估计。滤波对应于测量序列的概率分布是已知的理想情况,给出了在期望的表示水平上近似系统的因果结构的原则性方法。我们表明,在模型的复杂性约束放宽的限制,过滤发现确切的因果结构的随机动力系统,被称为因果状态分区。由此,可以估计进程存储的历史信息量。更一般地说,因果过滤找到一个分级的模型复杂度层次结构的近似因果架构。等级制度的突然变化,作为一种近似的函数,捕捉到了结构组织的不同尺度。对于有限数据的非理想情况下,我们展示了如何正确的数量的基本因果状态可以找到最佳因果估计。先前推导的模型复杂性控制项允许我们校正概率估计中的统计波动的影响,从而避免过拟合。
2010-08-19 cond-mat.stat-mech cs.IT cs.LG
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland(马里兰大学)
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例,如果公式$F$计算因果查询$Q$,作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题,包括因果效应识别,因果发现和选择偏差的恢复。此外,这种关系支持用结构因果模型将因果推断中的新问题形式化,例如研究设计问题。因果规划被提出作为因果推断的进一步推广,作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
A Survey of Causal Inference Frameworks
因果推断是一门多学科发展和应用的科学。一方面,它基于试验设计和严格的统计推断来衡量观察数据中的治疗效果,以得出因果关系陈述。潜在结果框架是量化因果效应最有影响力的框架之一。另一方面,因果图模型利用有向边来表示因果关系,并对图中变量之间的条件独立关系进行编码。从图中读出条件独立句和重构因果结构两个方面都做了一系列的研究。近年来,对因果推断的最新研究开始将不同的因果推断框架统一起来。本综述旨在回顾过去关于因果推断的工作,主要集中在潜在结果框架和因果图模型。我们希望这一调查将有助于加快理解因果推断在不同领域。
2022-09-02 stat.ME
A calculus for causal inference with instrumental variables
在因果推理的一般结构方程框架下,我们定义了一个变量X对另一个变量Y的因果效应,并提出了一种通过使用工具变量来估计这种因果效应的方法。
2021-04-23 math.ST stat.ME stat.TH
A conceptual synthesis of causal assumptions for causal discovery and inference
本文综合多个因果发现与推断框架,梳理因果充分性、忠实性和马尔可夫条件等基础假设,提供贯穿研究设计全阶段的实用指导,以支持跨领域严谨因果推理。
2025-04-21 q-bio.QM stat.AP stat.ME
Bayesian Causal Inference: A Critical Review
本文对基于潜在结果框架的因果推断的贝叶斯观点进行了评述。我们回顾了因果被估量、识别假设、因果效应贝叶斯推断的一般结构和敏感性分析。我们强调的问题是独特的贝叶斯因果推断,包括倾向得分的作用,可识别性的定义,先验的选择,在低维和高维制度。我们指出协变量重叠的核心作用,更一般的设计阶段,贝叶斯因果推断。我们将讨论扩展到两个复杂的分配机制:工具变量和随时间变化的治疗。在整个过程中,我们通过例子来说明关键概念。
2022-10-23 stat.AP stat.ME
Bayesian causal inference for count potential outcomes
计数建模的文献提供了有用的工具,进行因果推断时,结果采取非负整数值。应用到潜在的结果框架,我们链接贝叶斯因果推断文献计数数据的统计模型。我们讨论了构建缺失潜在结果的预测后验的一般架构考虑。估计平均处理效应的特殊考虑进行了讨论,一些概括某些关系和一些尚未遇到的因果推断文献。
2020-08-07 stat.ME
Causal Inference: A Missing Data Perspective
推断治疗的因果效应是许多学科的中心目标。潜在结果框架是因果推断的主要统计方法,其中因果效应被定义为在不同治疗条件下相同单位的潜在结果的比较。因为对于每个单元,最多观察到一个潜在结果,而其余结果缺失,所以因果推断本质上是一个缺失数据问题。事实上,因果推断和缺失数据之间在术语和推理框架上有着密切的相似之处。尽管这两个学科之间存在着内在的联系,但因果推断和缺失数据的统计分析在目的、设置和方法上也存在着明显的差异。本文从缺失数据的角度对因果推断进行了系统的综述。针对可验证的治疗分配机制,我们讨论了广泛的因果推断方法,这些方法在缺失数据分析中具有类似性,例如插补,逆概率加权和双稳健方法。在每一个三种模式的推理-频率,贝叶斯和Fisherian随机化-我们提出了一般结构的推理有限样本和超人口估计,并通过具体的例子说明。我们确定了开放的问题,以激励更多的研究,以弥合这两个领域。
2018-01-03 stat.ME
Causal inference under over-simplified longitudinal causal models
流行病学中的许多因果模型涉及纵向暴露、混杂因素和介质。然而,重复测量并不总是可用或在实践中使用,导致分析师忽视了暴露的时变性质,并在过于简化的因果模型下工作。我们的目标是评估是否-以及如何-在这种错误指定的因果模型下确定的因果效应与真正的因果效应相关。我们得到充分的条件,确保在实践中估计的数量在过于简化的因果模型可以表示为加权平均的纵向因果效应的利益。毫不奇怪,这些充分条件是非常严格的,我们的结果表明,在实践中估计的数量一般应谨慎解释,因为它们通常不涉及任何纵向因果效应的利益。我们的模拟进一步说明,在实践中估计的数量和感兴趣的纵向因果效应的加权平均值之间的偏差可能是巨大的。总体而言,我们的结果证实,需要重复测量,以进行适当的分析和/或敏感性分析的发展,当他们不可用。
2023-02-18 stat.ME
Causal inference in transportation safety studies: Comparison of potential outcomes and causal diagrams
激发运输安全研究的研究问题本质上是因果关系。安全性研究人员通常使用观察数据来回答这些问题,但通常没有适当的因果推断方法。因果推断领域提出了几种用于探测经验数据以评估因果关系的建模框架。本文重点探讨两个这样的建模框架-因果图和潜在的结果-一个特定的运输安全问题的适用性。估计了路面标线回射性对路段安全性的因果影响。更具体地说,基于这些框架在真实数据集上的三种不同实现的结果进行了比较:具有回归调整的逆倾向得分加权和具有回归调整的倾向得分匹配与因果贝叶斯网络。增加路面标线的后向反射率通常会降低夜间目标碰撞的概率。然而,我们发现估计的因果效应的大小对所使用的方法和违反的假设是敏感的。
2011-07-25 stat.AP
Causal inference with confounders missing not at random
从观察性研究中得出因果推断是很重要的,但是,如果混杂因素有缺失值,这将变得具有挑战性。一般来说,如果混杂因素是非随机缺失,则无法识别因果效应。我们提出了一个新的框架,以非参数识别因果关系的影响与混杂因素的结果无关的missingness,即缺失数据的机制是独立的结果,给定的治疗和可能的缺失混杂因素。然后,我们提出了一个非参数两阶段最小二乘估计和因果效应的参数估计。
2019-02-01 stat.ME
Function-Valued Causal Influence in Nonlinear Time Series
Lucy Family Institute for Data \& Society, University of Notre Dame, Notre Dame, Indiana, USA.;Department of Political Science, University of Notre Dame, Notre Dame, Indiana, USA
针对非线性时间序列因果发现中常用标量评分掩盖状态依赖函数效应的问题,提出基于个体条件期望的框架从神经加性向量自回归模型直接估计因果响应函数,揭示标量评分无法区分的多种函数行为。
2026-10-06 cs.LG stat.ME stat.ML
Inference of Causal Networks using a Topological Threshold
University of Aveiro(阿威罗大学);i3N(i3N研究所);Instituto de Telecomunicações(电信研究所);Department of Electronics, Telecommunications and Informatics, University of Aveiro(阿威罗大学电子、电信与信息学院);Department of Physics and i3N, University of Aveiro(阿威罗大学物理与i3N研究所)
提出基于拓扑阈值的约束算法自动确定因果相关性阈值,结合Net Influence等因果度量,在离散与真实数据上比PC算法更快更准地推断因果网络及边方向。
2024-04-21 cs.LG stat.ME stat.ML
LILI clustering algorithm: Limit Inferior Leaf Interval Integrated into Causal Forest for Causal Interference
School of Mathematical Sciences(数学科学学院)
本文提出LILI聚类算法,通过极限下叶区间在因果树之间建立联系,将不同处理但落入相同叶子的实例视为彼此的反事实结果,从而降低因果森林的估计偏差并提高ATE预测精度。
2025-07-04 cs.LG stat.ML
Active Bayesian Causal Inference
TU Graz(格拉茨技术大学);ETH Zürich(苏黎世联邦理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学)
因果发现和因果推理通常被视为独立和连续的任务:首先推断因果图,然后使用它来估计干预措施的因果效应。然而,这种两阶段方法是不经济的,特别是在主动收集的介入数据方面,因为感兴趣的因果查询可能不需要完全指定的因果模型。从贝叶斯的角度来看,这也是不自然的,因为因果查询(例如,因果图或某种因果效应)可以被视为经受后验推理的潜在量--不直接感兴趣的其它未观察到的量(例如,完整的因果模型)应该在这个过程中被边缘化,并助长我们认识上的不确定性。在这项工作中,我们提出了主动贝叶斯因果推理(ABCI),一个完整的贝叶斯主动学习框架集成的因果发现和推理,共同推断后的因果模型和查询的兴趣。在我们的方法ABCI,我们专注于类因果充分,非线性加性噪声模型,我们使用高斯过程建模。我们依次设计实验,最大限度地提供有关目标因果查询的信息,收集相应的干预数据,并更新我们的信念以选择下一个实验。通过模拟,我们证明了我们的方法比只专注于学习完整因果图的几个基线更有效。这使我们能够从更少的样本中准确地学习下游因果查询,同时为感兴趣的数量提供校准良好的不确定性估计。
2022-10-15 cs.AI cs.LG stat.ME