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
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
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）；University of Cambridge（剑桥大学）
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应，提出基于矩阵加权线性估计量的方法，证明其渐近无偏，在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI stat.ME
$χ$SPN: Characteristic Interventional Sum-Product Networks for Causal Inference in Hybrid Domains
Indian Institute of Technology Bombay（印度孟买理工学院）；Technical University of Darmstadt（达姆施塔特工业大学）；Hessian Center for Artificial Intelligence (hessian.AI)（黑森人工智能中心）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Eindhoven University of Technology（埃因霍温理工大学）
针对混合域因果推断难题，提出融合特征函数与神经网络的$χ$SPN模型，可统一处理离散连续变量，在3个合成数据集上表现优异且能跨干预场景泛化。
2024-08-14 cs.AI 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
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
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
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
On the Interventional Kullback-Leibler Divergence
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）；National University of Singapore（新加坡国立大学）
现代机器学习方法在静态设置中表现出色，在静态设置中，大量的i.i.d.训练数据可用于给定任务。然而，在动态环境中，智能代理需要能够跨域传输知识和重用学习的组件。有人认为，这可能是通过因果模型，旨在反映模块化的现实世界中的独立的因果机制。然而，给定数据集的真实因果结构通常是不可识别的，因此期望具有量化模型之间的差异的手段（例如，在观察和干预层面上，地面实况和估计之间）。在目前的工作中，我们引入了干预Kullback-Leibler（IKL）分歧，以量化模型之间的结构和分布差异，这些差异基于一组有限的多环境分布，这些分布是由来自地面真实的干预所产生的。由于我们通常不能量化因果模型之间的所有差异，为每一个有限的干预分布集，我们提出了一个充分条件的干预目标，以确定子集的观察变量上的模型可证明同意或不同意。
2023-02-10 cs.AI cs.LG
The Case for Evaluating Causal Models Using Interventional Measures and Empirical Data
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
因果推理是人工智能许多领域的核心，包括复杂推理、规划、知识库构建、机器人、解释和公平。一个活跃的研究人员社区开发和增强了从数据中学习因果模型的算法，这项工作产生了一系列令人印象深刻的技术进步。然而，因果建模算法的评估技术仍然有些原始，限制了我们可以从算法性能的实验研究中学到的东西，限制了研究人员考虑的算法和模型表示的类型，并在理论和实践之间产生了差距。我们主张更频繁地使用评估技术，检查干预措施，而不是结构或观察措施，并评估这些措施的经验数据，而不是合成数据。我们调查了目前的评估实践，并表明我们推荐的技术很少在实践中使用。我们表明，这种技术是可行的，数据集可用于进行此类评估。我们还表明，这些技术产生了实质上不同的结果，比使用结构措施和合成数据。
2019-11-01 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
Decomposing Interventional Causality into Synergistic, Redundant, and Unique Components
Dutch Institute for Emergent Phenomena（荷兰新兴现象研究所）；the Netherlands Institute for Logic, Language and Computation（荷兰逻辑、语言与计算研究所）；University of Amsterdam（阿姆斯特丹大学）；Institute of Physics, University of Amsterdam（阿姆斯特丹大学物理研究所）
本文提出一种基于部分信息分解和莫比乌斯反演的干预性因果分解框架，将因果力分解为协同、冗余和独特成分，并在逻辑门、元胞自动机、化学反应网络和transformer语言模型上验证其有效性。
2025-09-19 cs.AI cs.IT math.IT
Continual Causal Abstractions
TU Darmstadt（达姆施塔特工业大学）；Hessian Center for AI (hessian.AI)（黑森人工智能中心）
这篇简短的论文讨论了不断更新的因果抽象作为未来研究的潜在方向。其关键思想是将现有的因果抽象层次修改为不同的细节层次，既与观察数据的历史相一致，又能更有效地解决给定的任务。
2023-01-06 cs.AI
Interventional Causal Circuits for Safe Robot Action Testing and Failure Recovery
研究机器人动作安全测试及故障恢复问题，提出耦合联合概率树与因果电路并无需重新训练或额外数据收集的闭环框架，经实验验证该框架能减少失败尝试，且被拒计划可生成因果报告支持监督与恢复。
2026-07-17 cs.AI cs.RO
Interventional Score Geometry for Causal Inference
University of Calgary（卡尔加里大学）
研究因果推断中仅由联合密度和得分场构建的几何无法识别因果方向的问题，开发干预类似物，定义因果影响等，引入干预响应场和因果度量，为相关设计产生几何词典，组织相关关系但未增加基本假设外的识别能力。
2026-07-27 cs.AI econ.EM stat.ME
Aligning Graphical and Functional Causal Abstractions
University of Bergen（卑尔根大学）
本文对齐图形化与功能性因果抽象的一致性概念，证明 Cluster DAG、双射范围的一致 α-abstraction 与构造性 τ-abstraction 等价，并提出 Partial Cluster DAG 以增强表达能力。
2025-03-14 cs.AI
Causal Abstraction with Soft Interventions
Università di Pisa（比萨大学）；Stanford University（斯坦福大学）
本研究突破现有因果抽象理论仅支持硬干预的局限，将其拓展至软干预场景，推广了$τ$-抽象，提出软抽象定义以保证软干预间的唯一映射$ω$，并证明该构造性定义可使映射$ω$具备特定必要显式形式。
2022-11-22 cs.AI
Approximate Causal Abstraction
Utrecht University（乌得勒支大学）；Cornell University（康奈尔大学）
科学模型在不同的抽象层次上描述自然现象。抽象描述可以为系统的干预和对观察到的现象的解释提供基础，其粒度比系统的最基本的描述更粗糙。Beckers和Halpern（2019）在Rubenstein等人（2017）的工作基础上，开发了一种精确的因果模型抽象解释。在这里，我们将这个帐户扩展到更现实的情况下，一个抽象的因果模型只提供了一个近似的基本系统。我们将展示由此产生的帐户如何处理的差异，可能会出现低层次和高层次的因果模型之间的同一系统，并在此过程中提供一个帐户的因果模型如何近似另一个，一个独立的兴趣的话题。最后，我们将近似抽象的帐户扩展到概率因果模型，表明不确定性如何以及在何处可以进入近似抽象。
2019-06-29 cs.AI
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
Unveiling the Structure of Do-Calculus Reasoning via Derivation Graphs
Univ Grenoble Alpes, CNRS, Grenoble INP, LIG, France（格勒诺布尔阿尔卑斯大学，国家科学研究中心，格勒诺布尔理工学院，实验室，法国）；Université de Lorraine, CNRS, CRAN, 54000 Nancy, France（洛林大学，国家科学研究中心，CRAN，法国）
本文引入推导图来表示Do-演算规则的应用与组合，刻画了在Do-演算下等价的观测与干预概率的完整空间，并展示了通过最多四次规则应用即可实现等价变换，进而利用等价因果查询产生更有效的估计量。
2026-06-02 cs.AI
Towards Computing an Optimal Abstraction for Structural Causal Models
University of Warwick（华威大学）
在不同的抽象层次上使用因果模型是科学的一个重要特征。现有的工作已经考虑的问题，正式表示因果模型之间的抽象关系。在本文中，我们专注于学习抽象的问题。首先，我们正式定义学习问题的一致性的标准措施的优化。然后，我们指出这种方法的局限性，我们建议扩展的目标函数与一个长期占信息损失。我们提出了一个具体的信息损失的措施，我们说明了它的贡献，学习新的抽象。
2022-08-01 cs.AI
Why LLMs Fail at Causal Discovery and How Interventional Agents Escape
SIRE, IIT Delhi（IIT德里智能研究机构）；Robert Bosch GmbH（罗伯特·博世有限公司）；Imperial College London（伦敦帝国理工学院）
本文证明大型语言模型在因果发现中存在根本性失败，并提出一种基于干预代理的因果贝叶斯优化方法（A-CBO），通过外部贝叶斯循环在无需模型微调的情况下实现可证明的收敛。
2026-05-26 cs.AI cs.CL
Interventional Experiment Design for Causal Structure Learning
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Sharif University of Technology（谢里夫理工大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
众所周知，从纯观测数据来看，因果DAG仅可识别到其马尔可夫等价类，并且对于许多地面实况DAG，大部分边缘的方向将保持未识别。学习超越马尔可夫等价的因果DAG的黄金标准是在系统中执行一系列干预，并使用从干预分布收集的数据。我们考虑一个设置，其中给定的预算$k$，我们设计$k$干预非自适应。我们铸造的问题，找到最佳的干预目标集作为一个优化问题，其目的是最大限度地提高边缘的数量，其方向是由于执行的干预措施。首先，我们考虑的情况下，潜在的因果结构是一棵树。对于这种情况下，我们提出了一个有效的精确算法的最坏情况下的增益设置，以及平均增益设置的近似算法。然后，我们表明，所提出的平均增益设置的方法可以扩展到一般因果结构的情况下。在这种情况下，除了干预措施的设计外，计算目标函数也具有挑战性。我们提出了一个有效的精确计算器，以及两个估计这个任务。我们评估所提出的方法使用合成以及真实的数据。
2019-10-12 cs.AI cs.LG stat.ML
Quantifying Consistency and Information Loss for Causal Abstraction Learning
University of Warwick（华威大学）
本文提出干预度量族以量化因果抽象中一致性与信息损失的权衡，分析四种度量性质并给出学习算法，实证表明不同选择导致不同抽象。
2023-05-07 cs.AI
Discovering Markov Blanket from Multiple interventional Datasets
University of South Australia（南澳大学）
在本文中，我们研究的问题，发现马尔可夫毯（MB）的目标变量从多个介入数据集。从干预实验获得的数据集包含更丰富的因果信息比被动观察的数据（观察数据）MB发现。然而，几乎所有现有的MB发现方法被设计用于从单个观测数据集中发现MB。为了从多个介入数据集中识别MB，我们面临两个挑战：（1）未知的干预变量;（2）不相同的数据分布。为了应对这些挑战，我们从理论上分析了（a）在什么条件下我们可以找到目标变量的正确MB，以及（b）在什么条件下我们可以通过发现目标变量的MB来识别目标变量的原因。在理论分析的基础上，提出了一种新的从多个介入数据集中发现MB的算法，并给出了保证算法正确性的条件/假设。据我们所知，这项工作是第一个提出的理论分析的条件MB发现在多个介入数据集和算法，以找到MB的条件。通过基准贝叶斯网络和真实数据集的实验，验证了本文算法的有效性和效率。
2018-01-25 cs.AI
Causal Abstraction: A Theoretical Foundation for Mechanistic Interpretability
Pr(Ai)2 R Group（Pr(Ai)2 R 研究组）；Stanford University（斯坦福大学）
本文提出因果抽象理论作为机械可解释性的理论基础，将机制替换推广到任意机制变换，形式化多义神经元等核心概念，并统一多种可解释性方法。
2025-05-08 cs.AI
Causal Effect Identifiability in Causal Abstractions: A Strict Hierarchy of Criteria
Univ Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；Grenoble INP（格勒诺布尔综合理工学院）；LIG（信息与信号处理实验室）；Université de Lorraine（洛林大学）；CRAN（自动控制与微计算机研究中心）；imag（格勒诺布尔计算机科学与应用数学研究所）
本文针对因果抽象场景，将可识别性概念组织为层次结构，证明了因果效应可在一组图上被识别却无统一推导，填补了现有文献空白并澄清了歧义。
2026-10-12 cs.AI
Identifiability in Causal Abstractions: A Hierarchy of Criteria
Univ Grenoble Alpes（格勒诺布尔阿尔卑斯大学）；CNRS（国家科学研究中心）；Grenoble INP（格勒诺布尔研究所）；LIG（实验室）；Université de Lorraine（洛林大学）；IECL（信息学与计算实验室）
本文针对因果抽象（即因果图集合）中的因果查询，提出并形式化多种可识别性标准，并将其组织为层级体系，以在缺乏完整因果图时辅助识别推理。
2025-07-08 cs.AI
Causal Neural Probabilistic Circuits
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
提出因果神经概率电路（CNPC），通过结合神经属性预测器和从因果图编译的因果概率电路，支持遵循因果依赖的精确干预推理，从而提升概念瓶颈模型在干预下的分类准确率。
2026-06-02 cs.AI cs.LG
ACTIVA: Amortized Causal Effect Estimation via Variational Autoencoders
Learning and Reasoning Group（学习与推理组）；Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；Leiden Institute of Advanced Computer Science (LIACS)（莱顿先进计算机科学研究所）；Leiden University（莱顿大学）；Informatics Institute & Institute for Logic, Language and Computation（信息研究所及逻辑、语言与计算研究所）；University of Amsterdam（阿姆斯特丹大学）
提出ACTIVA模型，利用Transformer条件变分自编码器从观测数据和干预查询中摊销估计完整干预分布，实现零样本推理，并在合成和基因表达数据上优于基线。
2026-10-23 cs.AI cs.LG
Evaluating Interventional Reasoning Capabilities of Large Language Models
Université de Montréal（蒙特利尔大学）；Mila（米拉计算科学研究所）；Google DeepMind（谷歌DeepMind）；ServiceNow Research（ServiceNow研究院）
本文研究LLMs在因果干预下的推理能力，构建涵盖多种因果图和变量类型的基准，评估六个LLMs，发现GPT模型在预测干预效应方面表现较好。
2024-12-22 cs.AI cs.CL cs.LG
Size of Interventional Markov Equivalence Classes in Random DAG Models
IBM Research（IBM研究院）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；MIT（麻省理工学院）
有向无环图（DAG）模型是用于捕获因果关系的流行模型。根据观察和干预数据，DAG模型只能确定到其\emph{interventional Markov equivalence class}（I-MEC）。我们研究了随机DAG模型的MEC的大小均匀采样和排序的Erdens-Rényi图。对于恒定的密度，我们表明，预期的$\log$观测MEC的大小渐近（在顶点数）接近一个常数。我们以类似的方式在上述设置中以高精度表征I-MEC尺寸。我们表明，完全确定一个DAG所需的干预措施的渐近预期数量是一个常数。这些结果是通过利用Meek规则和耦合参数，以提供尖锐的上界和下界的渐近量，然后计算数值高精度。我们的研究结果具有重要的后果干预的试验设计和因果推断算法的发展。
2019-03-05 cs.AI cs.LG stat.ML
Causal Optimal Transport of Abstractions
University of Warwick（华威大学）；University of Bergen（卑尔根大学）；University of Edinburgh（爱丁堡大学）
本研究提出COTA方法，通过带do-演算约束的多边缘最优传输从观测与干预数据学习因果抽象映射，无需已知完整SCM，在多类任务中优于对比方法且可作为有效数据增强工具。
2023-12-13 cs.AI cs.LG stat.ML
Causally Fair Node Classification on Non-IID Graph Data
Clemson University（克莱姆森大学）；University of Arkansas（亚拉巴马大学）；Walmart Inc.（沃尔玛公司）
针对图数据中节点因果机制异质性违反经典因果模型假设的问题，提出基于网络结构因果模型的消息传递变分自编码器，通过计算干预分布实现因果公平节点分类，理论保证可分解性和图独立性条件，实验验证其有效缓解偏差。
2026-06-23 cs.AI cs.LG
New metrics and search algorithms for weighted causal DAGs
National University of Singapore（新加坡国立大学）；Broad Institute of MIT and Harvard（麻省理工与哈佛博德研究所）
本文针对带节点成本的因果图自适应干预发现问题，提出新的最坏情况成本基准，并设计在原子、有界规模及广义成本设置下达到对数近似的搜索算法。
2023-05-30 cs.AI cs.DS cs.LG
Out of Distribution Generalization via Interventional Style Transfer in Single-Cell Microscopy
Columbia University（哥伦比亚大学）；Broad Institute（博德研究所）；MIT（麻省理工学院）；University College London（伦敦大学学院）；New York University（纽约大学）
针对单细胞显微镜图像，提出干预式风格迁移（IST）方法，通过生成干预式训练分布缓解虚假相关，显著提升分布外泛化，并发布代码与数据集。
2023-06-15 cs.AI cs.CV cs.LG
Physical Simulators as Do-Operators: Causal Discovery under Latent Confounders for AI-for-Science
Kyushu Institute of Technology（九州工业大学）
本文提出CFM-SD方法，利用物理模拟器作为do-运算符，解决AI-for-Science中潜在混杂因素和真实干预数据的因果发现问题，实验表明其在合成数据和真实科学数据中均表现出色。
2026-05-08 cs.AI cs.ET cs.LG
Neural Causal Abstractions
Columbia University（哥伦比亚大学）
本文提出一种通过聚类变量及其域构建的神经因果抽象方法，结合神经因果模型与表示学习，在有限数据和高维图像场景下实现可学习的多粒度因果识别、估计与采样。
2024-02-23 cs.AI cs.LG
Compositional Abstraction Error and a Category of Causal Models
University of Strathclyde（思克莱德大学）；University of Copenhagen（哥本哈根大学）
干预因果模型描述了用于描述系统的一些变量的几个联合分布，每个干预设置一个。它们为如何在不同的联合分布之间移动提供了一个正式的处方，并在干预系统时对变量进行预测。然而，很难正式化我们如何改变用于描述系统的底层变量，例如从细粒度变量移动到粗粒度变量。在这里，我们认为，复合性是一个必要的模型转换和相关的错误：当抽象的参考模型M迭代，首先获得M'，然后进一步简化，以获得M“，我们希望从M到M”的复合转换存在，其误差是由每个单独的转换步骤所产生的误差。范畴论，通过它们之间的组合变换来研究数学对象，提供了一种自然语言来开发我们的模型转换和抽象框架。我们引入一类有限的干预因果模型，并利用丰富的类别理论，证明我们的框架所需的组合属性。
2021-08-05 cs.AI cs.LG cs.LO
Abstraction between Structural Causal Models: A Review of Definitions and Properties
University of Warwick（华威大学）
结构因果模型（SCM）是处理因果系统的一种普遍形式。最近的一个研究方向已经考虑了在不同的抽象层次上正式关联SCM的问题，通过定义SCM之间的映射并施加干预一致性的要求。本文提供了一个审查到目前为止提出的解决方案，专注于SCM之间的映射的形式属性，并突出显示这些属性可能会被强制执行的不同层（结构，分布）。这使我们能够区分抽象族，通过选择保证某些属性而不是其他属性，这些抽象族可能被允许，也可能不被允许。这样的理解不仅允许区分具有更多意识的因果抽象的提议，而且还允许根据与特定应用相关的抽象形式来定制抽象的定义。
2022-07-18 cs.AI cs.LG
Property-driven Causal Abstractions for Markov Decision Processes
Ruhr-University Bochum（波鸿鲁尔大学）；Eindhoven University of Technology（埃因霍温理工大学）；Oxford University（牛津大学）；Radboud University（拉德堡德大学）
本研究针对马尔可夫决策过程（MDPs）提出属性驱动因果抽象技术，通过保留模型特性缩减规模，经理论与实验验证，该技术可生成小型抽象模型以计算近最优策略，且能推广至大规模MDP模型。
2026-08-10 cs.AI cs.LO
Learning Causal Abstractions of Linear Structural Causal Models
Università di Pisa（比萨大学）；University of Amsterdam（阿姆斯特丹大学）
针对线性因果模型的因果抽象条件不明及从数据学习因果抽象的难题，该研究刻画了高低层模型的约束关系，提出Abs-LiNGAM方法，在非高斯噪声假设下加速低层模型恢复，提升因果发现可扩展性。
2024-06-01 cs.AI cs.LG stat.ME
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
When Do Learned Blocks Preserve Causal Meaning? Block Identifiability and Constructive Causal Abstractions
University of Tübingen（蒂宾根大学）；ELLIS Institute Tübingen（ELLIS蒂宾根研究所）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
该研究探讨学习模块的因果意义保留问题，关联模块可识别性与构造性因果抽象，证明特定变换类可保留因果抽象，实验显示高层干预可在独立学习的表示间近似转移效果。
2026-10-16 cs.AI cs.LG
Auditing Sybil: Explaining Deep Lung Cancer Risk Prediction Through Generative Interventional Attributions
National Lung Screening Trial Research Team（国家肺癌筛查试验研究组）
本文提出S(H)NAP框架，通过专家放射科医生验证的生成干预性归因，揭示Sybil模型在区分恶性肺结节与良性病变时的失效模式，包括对不合理伪影的敏感性和径向偏差。
2026-05-13 cs.AI cs.CV cs.LG
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
Identification of Conditional Interventional Distributions
University of California, Los Angeles（加州大学洛杉矶分校）
本文的主题是从因果假设中阐明行动的效果，因果假设表示为有向图，统计知识表示为概率分布。特别是，我们感兴趣的是预测条件分布所产生的一组变量上执行一个动作，随后，采取另一组的测量。我们提供了一个必要和充分的图形条件的情况下，这种分布可以唯一地计算从现有的信息，以及一个算法，执行此计算时的条件成立。此外，我们使用我们的结果来证明完整的do-calculus [珍珠，1995年]相同的识别问题。
2012-06-27 cs.AI stat.ME
Distributionally Robust Causal Abstractions
本文提出分布鲁棒因果抽象方法，通过最小最大优化和Wasserstein模糊集提升因果抽象的鲁棒性，适用于环境变化和模型不准确场景。
2026-01-21 cs.AI cs.LG
Causal Abstraction in Model Interpretability: A Compact Survey
School of Mathematical Sciences, Peking University（北京大学数学科学学院）
本文综述因果抽象在模型可解释性中的作用，梳理其理论基础、实际应用及对解释复杂模型因果机制的意义。
2024-10-26 cs.AI cs.CL cs.LG
Causal and Compositional Abstraction
Quantinuum（昆廷努姆公司）
本文提出基于范畴论的因果抽象新方法，统一了多种因果抽象概念，并扩展到量子计算领域以提升可解释性AI。
2026-02-18 cs.AI cs.LO math.CT
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
On the Complexity of Counterfactual Reasoning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
研究了结构因果模型上反事实推理的计算复杂性，证明在树宽和因果树宽框架下反事实推理不比关联或干预推理更难，并扩展至多世界及部分指定模型。
2023-05-19 cs.AI cs.CC cs.LG
Efficient Neural Causal Discovery without Acyclicity Constraints
University of Amsterdam（阿姆斯特丹大学）；Qualcomm AI Research（高通人工智能研究院）
使用观测和干预数据学习因果图模型的结构是许多科学领域中的基本问题。一个有前途的方向是连续优化的分数为基础的方法，然而，需要约束优化，以执行非循环或缺乏收敛保证。在本文中，我们提出了ENCO，一个有效的结构学习方法，利用观测和干预数据的有向，无环因果图。ENCO将图搜索公式化为独立边缘似然的优化，其中边缘方向被建模为单独的参数。因此，我们可以在温和的条件下提供ENCO的收敛保证，而不限制分数函数的无环性。在实验中，我们表明，ENCO可以有效地恢复图与数百个节点，一个数量级大于以前可能的，同时处理确定性变量和潜在的混淆。
2022-02-25 cs.AI cs.LG stat.ML
Validating Causal Abstraction Metrics on Simulated Complex Systems
Université Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室）；ETH Zürich（苏黎世联邦理工学院）
本研究在十个复杂系统上评估三十多种候选度量，发现只有包含未映射变量忠实性检验的因果度量能可靠区分有效与无效抽象，并提出了因果抽象误差（CAE）作为通用有效性度量。
2026-07-02 cs.AI cs.LG
Causal Abstractions of Neural Networks
Stanford（斯坦福大学）
结构分析方法（例如，探测和特征属性）是神经网络分析的越来越重要的工具。我们提出了一种新的结构分析方法接地因果抽象的形式理论，提供了丰富的模型内部表示及其在输入/输出行为中的作用的特点。在该方法中，神经表征与可解释因果模型中的变量对齐，然后使用交换干预来实验验证神经表征具有其对齐变量的因果属性。我们将这种方法应用于案例研究中，以分析在多重量化自然语言推理（MQNLI）语料库上训练的神经模型，MQNLI语料库是一个高度复杂的NLI数据集，它是用树结构的自然逻辑因果模型构建的。我们发现，一个基于BERT的模型与国家的最先进的性能成功地实现了自然逻辑模型的因果结构的一部分，而一个更简单的基线模型未能显示任何这样的结构，表明BERT表示编码的MQNLI的组成结构。
2021-10-27 cs.AI cs.LG
