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
Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University（普渡大学）
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战，提出 Feature Matching Intervention (FMI) 方法，通过匹配过程模拟完美干预并构建因果潜图框架，理论证明其具有强分布外泛化能力，实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
Linear Causal Representation Learning by Topological Ordering, Pruning, and Disentanglement
School of Mathematical Sciences, Shanghai Jiao Tong University, Shanghai, China（上海交通大学数学科学学院）；Institute of Natural Sciences, MOE--LSC（教育部-上海交大联合实验室）；SJTU--Yale Joint Center for Biostatistics（上海交大-耶鲁大学生物统计联合中心）；Data Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学数据科学）；Bio--X Institutes, Shanghai Jiao Tong University, Shanghai, China（上海交通大学Bio-X研究院）
提出一种在更弱假设下通过拓扑排序、剪枝和解缠恢复线性因果表示的新算法，并通过合成实验和大语言模型可解释性分析验证其有效性。
2026-05-27 cs.LG stat.ML
Implicit Causal Representation Learning via Switchable Mechanisms
University of Waterloo（滑铁卢大学）；Simon Fraser University（西蒙菲莎大学）
针对软干预下因果模型学习的挑战，提出基于可切换机制的隐式因果表示学习方法ICLR-SM，通过机制切换变量建模软干预效果，实验显示其在可识别因果表示学习上优于基线方法。
2024-08-16 cs.LG
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
Causal Triplet: An Open Challenge for Intervention-centric Causal Representation Learning
Amazon（亚马逊）；École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出Causal Triplet基准，包含可操作反事实设置和干预性下游任务，发现解耦或对象中心表示模型优于分布式模型，但现有因果表示学习方法仍难识别潜在结构。
2023-04-03 cs.AI cs.CV cs.LG
Disentanglement via Mechanism Sparsity Regularization: A New Principle for Nonlinear ICA
Mila（米拉人工智能研究所）；DIRO, Université de Montréal（蒙特利尔大学计算机科学与运筹学系）；ServiceNow Research（ServiceNow研究院）；Tübingen AI Center, University of Tübingen（蒂宾根大学蒂宾根人工智能中心）；Google Research（谷歌研究院）
这项工作引入了一种新的原则，我们称之为通过机制稀疏正则化，它可以应用于当感兴趣的潜在因素稀疏依赖于过去的潜在因素和/或观察到的辅助变量。我们提出了一种表示学习方法，通过同时学习潜在的因素和稀疏的因果关系图形模型，将它们联系起来，诱导解开。我们开发了一个严格的可识别性理论，建立在最近的非线性独立成分分析（ICA）的结果，形式化这一原则，并显示如何潜在的变量可以恢复到置换，如果一个正规化的潜在机制是稀疏的，如果一些图形连接标准是满足数据生成过程。作为我们框架的一个特例，我们展示了如何利用未知目标干预潜在因素来解开它们，从而进一步建立ICA和因果关系之间的联系。我们提出了一种基于VAE的方法，在该方法中，通过二进制掩码学习和正则化潜在机制，并通过在模拟中学习解纠缠表示来验证我们的理论。
2022-02-23 cs.LG stat.ML
Interventional Causal Representation Learning
FAIR (Meta AI)（FAIR（Meta AI））；Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；University of Michigan（密歇根大学）
本文研究干预数据对因果表示学习的促进作用，证明完美do干预可实现潜在因子在置换与缩放意义下的可识别性，非完美干预可实现块仿射识别，且无需对分布或依赖结构作任何假设。
2024-02-22 cs.LG stat.ML
Nonparametric Identifiability of Causal Representations from Unknown Interventions
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）；Columbia University（哥伦比亚大学）
本文研究未知干预下非参数因果表示学习的可辨识性，证明在一般性条件下，每个节点一次完美干预即可识别两个因果变量，并推广到任意数量变量，同时证明因果影响强度在等价解中保持不变。
2023-10-28 cs.AI cs.LG stat.ML
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
Causal Representation Learning from Network Data
Department of Statistics and Data Science, Northwestern University（统计与数据科学系，西北大学）；Department of Biomedical Informatics, Harvard University（生物医学信息学系，哈佛大学）；Department of Computer Science, University of Illinois Chicago（计算机科学系，伊利诺伊大学芝加哥分校）
提出GraCE-VAE，利用图神经网络编码器整合生物网络和通路信息，在软干预下识别潜在因果图与干预目标，实验证明利用结构化生物上下文可提升干预结果预测。
2026-06-08 cs.LG
SCADI: Self-supervised Causal Disentanglement in Latent Variable Models
Yonsei University（延世大学）
针对无监督解缠不可识别和弱监督成本高的问题，提出SCADI模型，结合掩码结构因果模型与伪标签生成器，实现无需监督的语义因素发现与因果关系学习。
2023-11-11 cs.AI cs.CV cs.LG
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
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
Measuring the Effect of Causal Disentanglement on the Adversarial Robustness of Neural Network Models
Simula Research Laboratory（西穆拉研究院）
针对因果神经网络鲁棒性源于因果解耦但缺乏定量验证的问题，研究借鉴CV领域解耦指标，基于统一ResNet18架构和多数据集多攻击实验，证实因果-混淆因子去相关程度与对抗鲁棒性强相关，混淆因子像素信息量与鲁棒性中等负相关。
2023-08-21 cs.LG
Counterfactual Reasoning for Fine-Grained Evidence Disentanglement in VideoQA
School of OptoElectonic Science and Engineering, University of Electronic Science and Technology of China（电子科技大学光电科学与工程学院）
提出反事实推理框架CREDiT，通过结构因果模型将视频问答中的跨模态表示分解为因果和非因果成分，在独立性约束下进行特征级因果干预，提升答案准确性和推理可靠性。
2026-06-08 cs.CV cs.LG
Causal Disentanglement Hidden Markov Model for Fault Diagnosis
Tianjin University（天津大学）；Ocean University of China（中国海洋大学）
本文提出因果解耦隐马尔可夫模型CDHM，通过解耦振动信号中的故障相关与无关因子并结合无监督域自适应，实现鲁棒的轴承故障诊断。
2023-08-06 cs.CV cs.LG eess.SP
Structural Disentanglement of Causal and Correlated Concepts
C2VAE通过联合建模因果和相关关系，提升可控数据生成的质量和解缠能力。
2025-11-19 cs.LG stat.ML
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
University College London（伦敦大学学院）；The Hong Kong University of Science and Technology（香港科技大学）
针对真实场景中语义因子多存在因果依赖而非独立的问题，提出含因果层的CausalVAE框架，可学习可解释因果表示、识别DAG因果关系并生成反事实数据，且在一定监督下具备模型可识别性。
2023-12-19 cs.LG stat.ML
Causal Disentanglement for Semantics-Aware Intent Learning in Recommendation
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）；University of New South Wales（新南威尔士大学）；Tsinghua University（清华大学）
传统的基于观察交互数据训练的推荐模型在广泛的应用中产生了很大的影响，但它面临着覆盖用户真实意图的偏差问题，从而降低了推荐效果。现有的方法跟踪这个问题，因为消除了鲁棒推荐的偏差，例如，通过重新加权训练样本或学习解纠缠表示。非纠缠表征方法通过揭示偏差产生的因果关系来消除偏差。然而，如何设计语义感知和公正的表示用户的真实意图在很大程度上是未知的。为了弥合这一差距，我们首先从因果的角度提出了一种无偏见的语义感知的解纠缠学习，称为CaDSI（因果解纠缠语义感知意图学习）。特别是，CaDSI明确地建模的因果关系的推荐任务，从而产生语义感知表示通过解开用户的真实意图知道特定的项目上下文。此外，因果干预机制的目的是消除混淆的偏见源于上下文信息，这进一步调整语义感知表示与用户的真实意图。大量的实验和案例研究都验证了我们提出的模型的鲁棒性和可解释性。
2022-02-05 cs.IR cs.LG
Celcomen: spatial causal disentanglement for single-cell and tissue perturbation modeling
Wellcome Sanger Institute（惠康桑格研究所）；University of Cambridge（剑桥大学）；Canadian Institute for Advanced Research（加拿大高等研究院）
提出Celcomen框架，结合因果建模与生成式图神经网络解耦细胞内外基因调控，并预测扰动后的空间转录组反事实结果。
2024-09-09 cs.LG q-bio.TO
Cross-Platform Hate Speech Detection with Weakly Supervised Causal Disentanglement
Arizona State University（亚利桑那州立大学）；Stanford University（斯坦福大学）；Amazon Alexa AI（亚马逊Alexa人工智能）
针对跨平台仇恨言论检测中传统方法适配性差、因果解耦需依赖目标标签的问题，研究提出弱监督因果解耦框架HATE WATCH，通过置信度重加权与对比正则化实现特征解耦，在跨平台场景下取得更优检测性能，助力可扩展内容审核与安全网络社区建设。
2024-04-17 cs.CL cs.LG
Improved Monte Carlo Planning via Causal Disentanglement for Structurally-Decomposed Markov Decision Processes
ETH Zürich（苏黎世联邦理工学院）
针对传统MDP未利用因果结构的问题，提出基于因果解缠的SD-MDP框架，将序列优化转化为对数线性复杂度的分数背包问题，可与MCTS集成，在多领域策略性能优于基准。
2025-10-03 cs.AI cs.LG cs.SY
Causal Disentanglement Learning for Accurate Anomaly Detection in Multivariate Time Series
Dong-A University（东阿大学）
提出CDRL4AD方法，通过时间异构图和解耦潜在变量显式推断多变量时间序列不同时间段的因果关系，在准确率和根因分析上优于现有方法。
2025-10-13 cs.AI cs.LG
Learning Causally Disentangled Representations via the Principle of Independent Causal Mechanisms
University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文从独立因果机制角度定义因果解耦，提出ICM-VAE框架，利用非线性流函数建模因果机制并结合辅助标签学习解耦先验，理论上证明可辨识性，实验表明能提升干预鲁棒性与反事实生成能力。
2024-08-23 cs.LG stat.ML
Causal disentanglement of multimodal data
Center for Computing Research, Sandia National Laboratories（桑迪亚国家实验室计算研究中心）；Applied Information Sciences Center, Sandia National Laboratories（桑迪亚国家实验室应用信息科学中心）；School of Computing and Augmented Intelligence, Arizona State University（亚利桑那州立大学计算与增强智能学院）；School of Engineering and Applied Science, University of Pennsylvania（宾夕法尼亚大学工程与应用科学学院）
针对探索性因果表示学习缺乏先验信息的问题，提出causalPIMA算法，结合多模态数据与物理约束，通过可微框架同步学习DAG与潜空间，实现无监督下的因果特征发现与可解释结构学习。
2023-11-08 cs.AI cs.LG stat.ML
FedDis: A Causal Disentanglement Framework for Federated Traffic Prediction
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）
FedDis通过因果解耦方法，有效分离客户端特定动态与全局时空模式，提升联邦交通预测的性能和扩展性。
2026-01-30 cs.AI cs.LG
Interventional Time Series Priors for Causal Foundation Models
National University of Singapore（新加坡国立大学）
本文提出CausalTimePrior框架，生成合成时间结构因果模型，支持可配置因果图、非线性自回归机制和多干预类型，推动时间序列因果推断的基础模型发展。
2026-04-08 cs.LG stat.ME
Inductive Subgraphs as Shortcuts: Causal Disentanglement for Heterophilic Graph Learning
The Hong Kong Polytechnic University（香港理工大学）；Curtin University（Curtin大学）；University of Macau（澳门大学）；The Education University of Hong Kong（香港教育大学）
本文提出因果解缠图神经网络CD-GNN，通过阻断非因果路径提升异质图节点分类的鲁棒性和准确性。
2026-04-21 cs.AI cs.LG
Mixstyle-Entropy: Domain Generalization with Causal Intervention and Perturbation
Xiamen University（厦门大学）；The University of Hong Kong（香港大学）
提出基于因果的框架InPer，通过训练时基于熵的因果干预优化因果变量选择，测试时利用因果扰动计算稳态分数构建原型分类器，有效提升了模型在跨域任务中的泛化能力。
2024-08-22 cs.CV cs.LG stat.ME
Neural State-Space Modeling with Latent Causal-Effect Disentanglement
Rochester Institute of Technology（罗切斯特理工学院）
尽管时间序列重建的深度学习方法取得了实质性进展，但由于其对优化损失的贡献可以忽略不计，因此没有现有方法被设计用于发现具有微小信号强度的局部活动。然而，这种局部活动可以表示生理系统中的重要异常事件，例如触发心脏中电波的异常传播的额外病灶。我们讨论了一种新的技术，用于重建这样的局部活动，而小的信号强度，是随后的全球活动，具有较大的信号强度的原因。我们的核心创新是通过明确建模和解开系统的潜在状态如何受到潜在的隐藏内部干预的影响来实现这一点。在一个新的神经制定的状态空间模型（SSM），我们首先介绍了通过一个系统的相互作用的神经ODE，分别描述1）的连续时间动态的内部干预，2）其对系统的原生状态的轨迹的影响的潜在动力学的因果效应建模。由于干预不能直接观察到，但必须从观察到的后续效果中解脱出来，我们整合了系统的本地无干预动态的知识，并通过假设它负责实际和假设的无干预动态之间观察到的差异来推断隐藏的干预。我们证明了一个概念验证的框架重建异位病灶破坏过程中的正常心电传播从远程观察。
2022-09-26 cs.AI cs.LG 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
Predicting Trajectories of Long COVID in Adult Women: The Critical Role of Causal Disentanglement
National Library of Medicine（国家医学图书馆）；Stevens Institute of Technology（史蒂文斯理工学院）；Columbia University（哥伦比亚大学）；The George Washington University（乔治华盛顿大学）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文通过整合临床数据与可穿戴设备数据，利用大语言模型构建因果网络，预测长期新冠严重程度，实现86.7%的预测精度，并区分病理活性与基线噪声。
2026-03-18 cs.CY cs.LG
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 Disentanglement with Network Information for Debiased Recommendations
Arizona State University（亚利桑那州立大学）；City University of Hong Kong（香港城市大学）
推荐系统的目标是通过学习用户和项目的表示来向用户推荐新的项目。在实践中，这些表示是高度纠缠的，因为它们包括关于多个因素的信息，包括用户的兴趣，项目属性以及诸如用户一致性和项目流行度之类的混淆因素。考虑这些纠缠的表示来推断用户偏好可能导致有偏见的推荐（例如，当推荐器模型推荐流行项目时，即使它们不符合用户的兴趣）。最近的研究建议从因果关系的角度来建立推荐系统的模型。暴露和评级分别类似于因果推理框架中的治疗和结局。这种情况下的关键挑战是解释隐藏的混杂因素。这些混杂因素未被观察到，因此很难对其进行测量。另一方面，由于这些混杂因素会影响曝光率和评级，因此在生成无偏见推荐时必须考虑到它们。为了更好地近似隐藏的混杂因素，我们建议利用网络信息（即，用户-社交和用户-项目网络），其被示出影响用户如何发现项目并与项目交互。除了用户一致性，混淆的方面，如项目的流行程度存在于网络信息中也被捕获在我们的方法的帮助下，\textit{causal disentanglement}解开学习表示成独立的因素，负责（a）建模项目的暴露给用户，（b）预测的评级，和（c）控制隐藏的混杂因素。在真实数据集上的实验验证了该模型在去偏推荐系统中的有效性。
2022-04-14 cs.IR cs.LG stat.ML
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
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
Info Intervention
University of Science and Technology of China（中国科学技术大学）；University of Hong Kong（香港大学）
基于行为干预的因果图是形式化、处理和理解变量间因果关系的有效工具。然而，do干预对不可操纵变量的因果关系问题的解释存在争议，而且它也缺乏检查与反事实变量相关的条件的权力。本文介绍了一种新的信息干预，以解决这两个问题，并提供了因果图的沟通和理论焦点的基础上，这种信息干预。我们的信息干预是对因果机制的输入/输出信息进行干预，而行为干预是对因果机制进行干预。因此，在信息干预框架下，因果关系被视为信息传递。作为推广，本文还提出并研究了广义信息干预。
2020-06-02 cs.AI cs.LG stat.ME
Rethinking State Disentanglement in Causal Reinforcement Learning
Australia Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Shanghai Jiao Tong University（上海交通大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；The University of Melbourne（墨尔本大学）
针对因果强化学习中潜在状态可识别性分析忽略RL上下文的问题，提出结合RL上下文移除不必要假设，并用转换和奖励保持约束替代复杂结构约束，实现状态与噪声解耦。
2024-08-24 cs.LG
Active learning of causal probability trees
Technical University of Denmark（丹麦技术大学）
在过去的二十年里，人们对将因果信息（通常使用因果图表示）与机器学习模型相结合的兴趣越来越大。概率树为因果信息提供了一种简单而强大的替代表示。它们使干预和反事实的计算，严格来说更一般，因为它们允许上下文相关的因果依赖关系。在这里，我们提出了一种贝叶斯方法，从干预和观察数据的组合学习概率树。该方法量化了干预措施的预期信息增益，并选择具有最大增益的干预措施。我们证明了模拟和真实数据的方法的效率。在有限的干预预算上学习概率树的有效方法将大大扩展其适用性。
2022-05-17 cs.LG stat.ME
Linking Model Intervention to Causal Interpretation in Model Explanation
University of South Australia（南澳大学）；RMIT University（皇家墨尔本理工大学）；Hefei University of Technology（合肥工业大学）
本文研究模型干预效应何时具有因果解释的条件，将其与模型因果解释联系起来，并通过半合成数据集实验验证定理及展示其在模型解释中的潜力。
2024-10-21 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
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
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
CausalVAD: De-confounding End-to-End Autonomous Driving via Causal Intervention
Fudan University（复旦大学）；Embodiq Robotics Co., Ltd.；Beijing Institute of Technology（北京理工大学）；East China Normal University（华东师范大学）
本文提出CausalVAD框架，通过因果干预解决端到端自动驾驶中统计相关性与真实因果关系的矛盾，提升规划精度与安全性。
2026-04-10 cs.CV cs.LG
Adversarial Visual Robustness by Causal Intervention
Nanyang Technological University（南洋理工大学）；Alibaba Group（阿里巴巴集团）
对抗性训练实际上是对抗性示例最有希望的防御手段。然而，它的被动性质不可避免地使它无法对未知的攻击者免疫。为了实现主动防御，我们需要对对抗性示例有更基本的理解，而不仅仅是流行的有界威胁模型。在本文中，我们提供了对抗脆弱性的因果观点：原因是学习中普遍存在的虚假相关性，即，混淆效应，攻击者正是利用这些效应。因此，对抗鲁棒性的根本解决方案是因果干预。由于这些视觉混杂因素一般是察觉不到的，我们建议使用工具变量，实现因果干预，而不需要混杂观察。我们将我们的鲁棒训练方法称为工具变量因果干预（CiiV）。这是一种因果正则化，1）用多个视网膜定位中心增强图像，2）通过支持线性响应空间插值的特征，鼓励模型学习因果特征，而不是局部混淆模式。对CIFAR-10、CIFAR-100和mini-ImageNet中应用的各种攻击者和设置进行的广泛实验表明，CiiV对自适应攻击（包括最近的AutoAttack）具有鲁棒性。此外，作为一种通用的因果正则化，它可以很容易地插入到其他方法中，以进一步提高鲁棒性。
2021-10-06 cs.CV cs.LG
Deciphering interventional dynamical causality from non-intervention complex systems
Research Institute of Intelligent Complex Systems & CISOR, Fudan University（智能复杂系统研究所及CISOR，复旦大学）；International Research Center for Neurointelligence, The University of Tokyo Institutes for Advanced Study, The University of Tokyo（神经智能国际研究中心，东京大学先进研究所，东京大学）；School of Pharmacy, Shanghai University of Traditional Chinese Medicine（上海中医药大学药学院）；Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University（人工智能与机器人研究所，智能机器人与先进制造学院，复旦大学）；Frontiers Science Center for Deep Ocean Multispheres and Earth System, Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, Ocean University of China（深海多球体与地球系统前沿科学中心，海洋化学理论与技术重点实验室，教育部，中国海洋大学）；School of Mathematical Sciences and School of AI, Shanghai Jiao Tong University（数学科学学院和人工智能学院，上海交通大学）；Key Laboratory of Systems Health Science of Zhejiang Province, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Chinese Academy of Sciences（浙江省系统健康科学重点实验室，杭州高级研究所，中国科学院大学，中国科学院）
本文提出IntDC框架和IEE算法，通过延迟嵌入空间在不需干预或动力学模型的情况下，从观测数据中解码因果性，验证了其在因果分析中的有效性。
2025-07-30 cs.LG q-bio.QM stat.ME
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
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
Probability trees and the value of a single intervention
Technical University of Denmark（丹麦技术大学）
统计因果关系中最基本的问题是从有限的数据中确定因果关系。概率树，结合先验因果结构与贝叶斯更新，已被建议作为一种可能的解决方案。在这项工作中，我们量化的信息增益从一个单一的干预，并表明，预期的信息增益，之前进行干预，并从干预的预期收益有简单的表达式。这导致了一种主动学习方法，该方法简单地选择具有最高预期增益的干预，我们通过几个例子来说明。我们的工作展示了概率树及其参数的贝叶斯估计如何提供一种简单而可行的快速因果归纳方法。
2022-05-18 cs.LG stat.ME
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
Causal Intelligence for Constraint-Aware Intervention Design to Induce State Transitions
MRL, Merck & Co., Inc.（MRL，默克公司）
提出COAST方法，通过因果图学习和约束感知多目标优化，从数据中设计干预策略以实现系统状态转换。
2026-05-27 cs.LG
Generative Interventions for Causal Learning
Columbia University（哥伦比亚大学）；Rutgers University（罗格斯大学）
我们介绍了一个框架，学习强大的视觉表示，概括到新的观点，背景和场景上下文。判别模型通常会学习自然发生的虚假相关性，这导致它们在训练分布之外的图像上失败。在本文中，我们表明，我们可以引导生成模型制造干扰因素造成的功能。实验，可视化和理论结果表明，该方法学习鲁棒的表示更符合潜在的因果关系。我们的方法提高了要求分布外泛化的多个数据集的性能，并且我们展示了从ImageNet到ObjectNet数据集的最新性能。
2021-03-27 cs.CV cs.LG
Learning Flexible Time-windowed Granger Causality Integrating Heterogeneous Interventional Time Series Data
Texas A&M University（德克萨斯农工大学）；Brookhaven National Laboratory（布鲁克海文国家实验室）
本文针对未知干预目标下的Granger因果推断问题，提出一种利用异构干预时间序列数据同时学习因果结构和识别干预目标的理论方法，并证明两者可相互促进，实验表明其优于多个稳健基线方法。
2024-06-14 cs.LG
