Local Discovery by Partitioning: Polynomial-Time Causal Discovery Around Exposure-Outcome Pairs
Cornell Tech（康奈尔理工学院）；Weill Cornell Medicine（威尔康奈尔医学院）；Carnegie Mellon University（卡内基梅隆大学）
针对非参数全局因果发现的指数级复杂度难题，提出局部因果发现方法LDP，通过划分变量集在多项式时间内为暴露-结果对寻找有效调整集，实现更高效、偏差更小的因果效应估计。
2024-06-01 cs.LG stat.ME stat.ML
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
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
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
Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery
Stony Brook University（石溪大学）
针对可微因果发现现有方法代理指标与实际因果强度偏差大的问题，提出可解释、模型无关的Dagma-DCE方案，用可解释因果强度度量定义加权邻接矩阵，在模拟数据集上达SOTA性能，支持专家阈值设定与稀疏惩罚，代码开源且易适配。
2024-01-05 cs.LG stat.ME stat.ML
$\texttt{causalAssembly}$: Generating Realistic Production Data for Benchmarking Causal Discovery
Technical University of Munich（慕尼黑工业大学）；Robert Bosch GmbH（罗伯特·博世有限公司）；University of Applied Sciences Kempten（肯普滕应用科学大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出Python库$\ exttt{causalAssembly}$，基于装配线真实数据与物理因果关系，利用分布随机森林生成半合成数据，以支持因果发现算法的基准测试。
2024-02-14 cs.LG stat.ME stat.ML
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
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
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
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
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
Context-Specific Causal Discovery for Categorical Data Using Staged Trees
IE University（IE大学）；Universitat de València（瓦伦西亚大学）
因果发现算法旨在从数据中解开复杂的因果关系。在这里，我们研究因果发现和推理方法的基础上，阶段树模型，它可以表示复杂的和不对称的因果关系之间的分类变量。我们提供了一个阶段树的等价类的第一个图形表示，只看它的底层独立性的一个特定子集。我们进一步定义了一个新的预度量，灵感来自广泛使用的结构干预距离，量化两个阶段的树在其相应的因果推断语句之间的接近度。一项模拟研究强调了阶段树在揭示复杂性、数据中的不对称因果关系方面的功效，并通过实际数据应用说明了它们在实际因果分析中的用途。
2023-02-28 cs.LG stat.ME
Causal discovery in a complex industrial system: A time series benchmark
Lund University（隆德大学）；The European Spallation Source（欧洲散裂中子源）
本文提出一个来自欧洲散裂中子源工业子系统的时间序列因果发现基准数据集，并配套专家知识构建的因果图，用于评估和促进复杂系统因果发现方法的发展。
2023-10-28 cs.LG stat.ML
Causal-TS: A Python Library for Causal Discovery in High-Dimensional and Nonstationary Time Series
Bloomberg LP（彭博有限合伙企业）
介绍用于高维非平稳时间序列因果发现的Python库Causal-TS，它含多种算法及包装器，有统一CI测试层并支持GPU加速，通过状态发现管道检测断点，还有命令行等工具提供端到端管道，可pip安装且经测试。
2026-07-28 cs.LG stat.ME
Score matching enables causal discovery of nonlinear additive noise models
EPFL（洛桑联邦理工学院）；Amazon Web Services（亚马逊云科技）
本文演示了如何从非线性加性（高斯）噪声模型中的数据分布的分数中恢复因果图。使用分数匹配算法作为一个积木，我们展示了如何设计新一代的可扩展的因果发现方法。为了展示我们的方法，我们还提出了一种新的有效方法来近似分数的雅可比矩阵，从而能够恢复因果图。从经验上讲，我们发现，新的算法，称为SCORE，是最先进的因果发现方法的竞争力，同时显着更快。
2022-03-08 cs.LG stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London（帝国理工学院）；University of Dundee（邓迪大学）
本文提出状态依赖因果推断（SDCI）方法，通过将非平稳性建模为以潜在状态为条件的平稳性，实现条件平稳时间序列中的因果发现，并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration
SRI International（SRI国际）
本文提出基于多层Transformer的时间因果发现框架，通过梯度分析提取因果图，并利用注意力掩码融合先验知识以抑制虚假因果，在因果发现F1和滞后估计准确率上均显著超越现有方法。
2025-08-21 cs.LG stat.ML
Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity
Tsinghua University（清华大学）；Shandong University（山东大学）
针对现有因果发现方法受先验知识不足、领域不一致及高维小样本限制的问题，提出融合模糊知识与数据的弱监督方法KEEL，结合ELCM处理复杂数据，在多场景下准确率、鲁棒性和效率均优于现有方法。
2024-05-14 cs.LG stat.ML
LLM-initialized Differentiable Causal Discovery
SandboxAQ
本文提出LLM-DCD，利用LLM初始化可微因果发现的最大似然优化，并以显式邻接矩阵作为唯一变分参数，从而提升可解释性、先验融入能力和基准准确率。
2024-10-28 cs.LG stat.ML
Neuropathic Pain Diagnosis Simulator for Causal Discovery Algorithm Evaluation
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）；Microsoft Research（微软研究院）
从观测数据中发现因果关系对于许多科学学科和现实世界的应用至关重要。然而，不像其他机器学习算法，其发展已经大大促进了大量的可用基准数据集，因果发现算法是出了名的难以系统地评估，因为很少有数据集与已知的地面真理因果关系。在这项工作中，我们处理的问题，通过建立一个灵活的模拟器在医疗环境中的因果发现算法进行评估。我们开发了一个神经病理性疼痛诊断模拟器，灵感来自这样一个事实，即神经病理性病理生理学的生物过程得到了很好的研究，具有很好的理解因果关系的影响。我们的模拟器利用了神经性疼痛病理的因果图，并且其在发生器中的参数是从现实生活中的患者病例中估计的。我们表明，从我们的模拟器生成的数据具有类似的统计数据作为真实世界的数据。作为一个明显的优势，模拟器可以产生无限的样本，而不会危及现实世界患者的隐私。我们的模拟器提供了一个自然的工具，用于评估各种类型的因果发现算法，包括那些处理因果发现中的实际问题，如未知的混杂因素，选择偏差和缺失数据。使用我们的模拟器，我们已经广泛评估了因果发现算法在各种设置下。
2019-10-28 cs.LG stat.ML
Causal KL: Evaluating Causal Discovery
Monash University（莫纳什大学）
使用人工数据评估因果模型发现的两个最常用的标准是编辑距离和Kullback-Leibler散度，从真实模型到学习模型进行测量。这两个指标最大限度地奖励真实模型。然而，我们认为，他们都是不够的歧视，在判断错误的模型的相对优点。例如，编辑距离无法区分强概率依赖性和弱概率依赖性。另一方面，KL分歧同样奖励所有统计上等价的模型，无论它们的因果关系如何。我们提出了一个增强的KL分歧，我们称之为因果KL（CKL），它考虑到因果关系，区分观测等效模型。CKL的三个变体的结果，表明因果KL在实践中效果良好。
2021-11-11 cs.LG stat.ML
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
Likelihood-Free Overcomplete ICA and Applications in Causal Discovery
University of Sydney（悉尼大学）；University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
因果发现在过去几十年中取得了重大进展。特别是，许多最近的因果发现方法利用独立的，非高斯噪声来实现因果模型的可识别性。隐藏的直接共同原因，或混杂因素的存在，通常会使因果发现更加困难，只要他们存在，相应的因果发现算法可以被看作是过完备独立成分分析（OICA）的扩展。然而，现有的OICA算法通常对独立分量的分布进行强参数假设，这可能会违反实际数据，导致次优甚至错误的解决方案。此外，现有的OICA算法依赖于期望最大化（EM）过程，需要计算昂贵的独立分量的后验分布的推断。为了解决这些问题，我们提出了一个似然自由过完备ICA算法（LFOICA），估计混合矩阵直接通过反向传播没有任何明确的假设上的独立分量的密度函数。由于其计算效率，所提出的方法使得一些因果发现程序更实际可行。为了说明的目的，我们证明了我们的方法在两个因果发现任务的合成和真实数据的计算效率和功效。
2019-09-05 cs.LG stat.ML
Empirical Bayesian Approaches for Robust Constraint-based Causal Discovery under Insufficient Data
Rensselaer Polytechnic Institute（伦斯勒理工学院）；Northeast Normal University（东北师范大学）
因果发现是在给定的观测数据中学习变量之间的因果关系，对于许多应用都很重要。现有的因果发现方法假设数据充足，这在许多现实世界的数据集中可能不是这种情况。因此，许多现有的因果发现方法可能在有限的数据下失败。本文提出了一种贝叶斯-增广频率独立性检验方法，以提高基于约束的因果发现方法在数据不足情况下的性能：1）首先引入贝叶斯方法估计互信息，并在此基础上提出了一种鲁棒的基于互信息的独立性检验方法; 2）其次，我们考虑假设似然的贝叶斯估计，并将其纳入一个定义良好的统计检验，从而产生基于稳健统计测试的独立性测试。我们提出的独立性测试的约束为基础的因果发现方法，并评估基准数据集的样本不足的性能。实验表明，显着的性能改善方面的准确性和效率SOTA方法。
2022-06-16 cs.LG stat.ME
Causal Discovery from Temporal Data: An Overview and New Perspectives
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；School of Mathematical Sciences, Fudan University（复旦大学数学科学学院）
本文系统综述了从时间数据中发现因果关系的方法，涵盖多变量时间序列与事件序列因果发现两类，并提供了公开数据集、评估指标及未来新视角。
2023-08-03 cs.LG stat.ME
Causal Discovery with General Non-Linear Relationships Using Non-Linear ICA
University College London（伦敦大学学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Helsinki（赫尔辛基大学）
我们考虑的问题，推断两个或两个以上的被动观察变量之间的因果关系。虽然这种因果发现的问题已经被广泛研究，特别是在双变量设置，大多数当前的方法假设一个线性的因果关系，和少数考虑非线性依赖关系的方法通常使加性噪声的假设。在这里，我们提出了一个框架，通过它，我们可以在一般非线性关系的存在下进行因果发现。该方法是基于非线性独立成分分析的最新进展，并利用观测的非平稳性，以恢复潜在的源或潜在的干扰。我们严格证明，在二元因果发现的情况下，这种非线性ICA可以用来推断因果方向，通过一系列的独立性测试。我们进一步提出了一种替代措施的因果方向的基础上渐近近似的似然比，以及扩展到多变量因果发现。我们证明了所提出的方法的能力，通过一系列的模拟研究，并得出结论与神经影像数据的应用。
2019-04-19 cs.LG stat.ML
Ordinal Causal Discovery
纯观测的分类数据的因果发现是一个长期存在的挑战性问题。与连续数据不同，绝大多数现有的分类数据方法只关注于推断马尔可夫等价类，这使得某些因果关系的方向无法确定。本文提出了一种可识别的序数因果发现方法，利用包含在许多现实世界中的应用程序，以唯一地识别因果结构的序数信息。所提出的方法是适用于超越有序数据通过数据离散化。通过真实世界和合成实验，我们证明了所提出的顺序因果发现方法结合简单的得分和搜索算法具有良好的和强大的性能相比，国家的最先进的替代方法在有序分类和非分类数据。附带的R包OrdCD可以在CRAN和https://web.stat.tamu.edu/~yni/files/OrdCD_1.0.0.tar.gz上免费获得。
2022-12-17 stat.ME stat.ML
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling
École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Institute of Science Technology Austria（奥地利科学技术研究所）
本文为分数匹配方法建立了统计样本复杂度界，证明用深度ReLU网络和随机梯度下降可准确估计分数函数，并给出其在因果发现和生成建模中的误差上界。
2023-10-27 cs.LG stat.ML
Leveraging directed causal discovery to detect latent common causes
Spotify（声田）；University College London（伦敦大学学院）；Babylon Health（巴比伦健康）
因果关系的发现是科学和医学中的一个基本问题。近年来，已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而，大多数这些只处理纯粹的直接因果关系，不能检测潜在的共同原因。在这里，我们设计了一个一般的启发式，它需要一个因果发现算法，只能区分纯粹的直接因果关系，并修改它，也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法，信息几何因果推断（Daniusis等人，2010）和（Mitrovic，Sejdinovic，& Teh，2018）的因果推断的核条件偏差，并对合成数据进行了广泛的测试-检测加性，乘法和复杂噪声机制中的潜在常见原因-以及真实数据，我们能够检测已知的常见原因。除了检测潜在的共同原因，我们的实验表明，这两个修改后的算法保持原来的性能，在区分有向因果关系。
2021-06-21 cs.LG stat.ML
CUTS+: High-dimensional Causal Discovery from Irregular Time-series
Tsinghua University（清华大学）；Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)（清华大学脑与认知科学研究院（THUIBCS））；Chinese PLA General Hospital（中国人民解放军总医院）
针对高维、不规则采样时间序列中的因果结构学习难题，本文提出 CUTS+，通过 C2FD 与 MPGNN 增强 CUTS，显著提升可扩展性和因果发现性能。
2023-08-16 cs.LG stat.ME
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法，通过统一框架提升因果识别性能，并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
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
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University（约翰斯·霍普金斯大学）；Columbia University（哥伦比亚大学）
本文提出了一个计算框架，产生合奏预测力学模型与不确定性量化（UQ）。首先，我们开发了一个因果发现算法，通过有向无环图（DAG）来推断在每个代表性体积元素（RVE）模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系，预测在导出的因果图中传播，同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子（摩擦界面的牵引分离定律，颗粒集合体的弹塑性模型）来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 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
Causal Discovery for fMRI data: Challenges, Solutions, and a Case Study
University of Minnesota（明尼苏达大学）；Minneapolis VA Health Care System（明尼阿波利斯退伍军人事务医疗系统）
本文系统梳理了将因果发现应用于fMRI数据面临的九大挑战、决策空间及案例研究，指出其优于传统功能连接方法但仍需改进。
2023-12-20 cs.AI cs.LG q-bio.QM
A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables
University of California San Diego（加州大学圣地亚哥分校）；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）；KDDI Research（KDDI研究所）
针对现有因果发现方法依赖无潜在混淆因子假设的局限，提出基于协方差矩阵秩的通用框架与RLCD算法，可处理因果相关隐变量，理论上保证特定结构可识别，实验验证了有限样本下的有效性。
2023-12-18 cs.LG stat.ME
Reparametrization Invariance in non-parametric Causal Discovery
Technical University of Denmark（丹麦技术大学）
因果发现估计产生观察数据的潜在物理过程：X导致Y还是Y导致X？当只有观测数据可用时，当前的方法使用结构条件将因果查询转换为统计查询。但如果这些统计查询对因果不变量敏感怎么办？本研究探讨这样一个不变量：X和Y之间的因果关系对于X和Y的边缘分布是不变量。我们提出了一种算法，使用非参数估计，是强大的边缘分布的变化。这样，我们可以边缘化边缘，并检查什么关系是内在的。由此产生的因果估计是有竞争力的，目前的方法，并高度重视因果查询的不确定性，一个方面一样重要的查询本身。
2020-08-12 cs.LG stat.ML
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
ASP-based Discovery of Semi-Markovian Causal Models under Weaker Assumptions
University of South Australia（南澳大学）；Lingnan University（岭南大学）；California Institute of Technology（加州理工学院）；Shenzhen University（深圳大学）
近年来，放松自动因果发现中所谓的忠实性假设的可能性已经被研究。调查表明：（1）忠实性假设可以通过各种方式被削弱，这在重要意义上保持了它的力量;（2）忠实性的削弱可能有助于加快基于答案集编程的方法。然而，到目前为止，这一系列的工作只考虑了没有潜在变量的因果模型的发现。在本文中，我们研究了半马尔可夫因果模型的基于约束的发现的忠诚度的削弱，它容纳了潜在变量的可能性，并表明（1）和（2）仍然是这种情况下，在这个更现实的设置。
2019-06-06 cs.LG stat.ML
Relaxing Faithfulness with Intervention-Only Causal Discovery
Thayer School of Engineering Dartmouth College（达特茅斯学院塞耶工程学院）；Broad Institute of MIT and Harvard（麻省理工学院和哈佛大学布罗德研究所）；Massachusetts Institute of Technology（麻省理工学院）
研究因果发现算法，指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设，表明其足以用硬干预非参数识别因果结构，将干预作为因果结构信息主要载体，还针对干预范围有限情况指定等价类。
2026-07-14 cs.LG stat.ML
Causal Discovery from Incomplete Data: A Deep Learning Approach
Eindhoven University of Technology（埃因霍温理工大学）；Massachusetts Institute of Technology（麻省理工学院）
随着人工智能的发展，系统变得越来越自治，从观察的感官输入中发现因果知识是很重要的。通过编码事件之间的一系列因果关系，因果网络可以帮助预测给定行为的影响，并分析其潜在的数据生成机制。然而，缺失数据在实际场景中普遍存在。直接对部分观测数据执行现有的偶然发现算法可能导致不正确的推断。为了缓解这个问题，我们提出了一个深度学习框架，称为插补因果学习（ICL），来执行迭代缺失数据插补和因果结构发现。通过对合成数据和真实数据的广泛模拟，我们表明ICL在不同的缺失数据机制下都可以优于最先进的方法。
2020-01-15 cs.LG stat.ML
Causal Discovery from Sparse Time-Series Data Using Echo State Network
University of Waterloo（滑铁卢大学）；ATS Automation（ATS自动化公司）
时间序列数据集合之间的因果关系发现可以帮助诊断症状的原因，并有望在故障发生之前预防故障。然而，可靠的因果发现可能是非常具有挑战性的，特别是当数据采集速率变化时（即，非均匀数据采样），或者在存在缺失数据点的情况下（例如，稀疏数据采样）。为了解决这些问题，我们提出了一个由两部分组成的新系统，第一部分用高斯过程回归填充缺失数据，第二部分利用回声状态网络，这是一种水库计算机（即，用于混沌系统建模）用于因果发现。我们评估我们提出的系统对其他三个现成的因果发现算法，即结构期望最大化，子采样线性自回归绝对系数，和多变量Granger因果关系与向量自回归使用田纳西伊士曼化学数据集的性能;我们报告了相应的马修斯相关系数（MCC）和受试者工作特征曲线（ROC）并表明，该系统优于现有的算法，证明了我们的方法的可行性，发现在一个复杂的系统中的因果关系与丢失的条目。
2023-01-11 cs.LG stat.ME
Causal discovery of linear non-Gaussian acyclic models in the presence of latent confounders
RIKEN（理化学研究所）；Shiga University（滋贺大学）
从受潜在混杂因素影响的数据中发现因果关系是一个重要而困难的挑战。基于因果函数模型的方法还没有被用来呈现变量的关系受到潜在的混杂因素，而一些基于约束的方法可以呈现它们。本文提出了一种基于因果函数模型的方法，称为重复因果发现（RCD）发现的因果结构的观察变量的潜在混杂因素的影响。RCD重复推断少量观察变量之间的因果关系，并确定这些关系是否受到潜在混杂因素的影响。RCD最终产生因果图，其中双向箭头指示具有相同潜在混杂因素的变量对，并且有向箭头指示不受相同潜在混杂因素影响的变量对的因果方向。使用模拟数据和真实世界数据的实验验证结果证实，RCD是有效的，在识别潜在的混杂因素和观察变量之间的因果关系的方向。
2020-11-04 cs.LG stat.ML
Causal discovery for observational sciences using supervised machine learning
因果推断可以估计因果效应，但除非通过实验收集数据，否则统计分析必须依赖于预先指定的因果模型。因果发现算法是从数据中构建因果模型的经验方法。已经存在几种渐近正确的方法，但它们通常在较小的样本上挣扎。此外，大多数方法集中在非常稀疏的因果模型，这可能并不总是现实的现实生活中的数据生成机制的代表。最后，虽然这些方法所提出的因果关系往往是正确的，但它们关于因果无关性的说法有很高的错误率。这种非保守的误差权衡对于观测科学来说并不理想，在观测科学中，所产生的模型直接用于告知因果推断：具有许多缺失因果关系的因果模型需要太强的假设，并可能导致有偏的效应估计。我们提出了一种新的因果发现方法，解决了这三个缺点：监督学习发现（SLdisco）。SLdisco使用监督机器学习来获得从观测数据到因果模型的等价类的映射。我们在基于高斯数据的大型模拟研究中评估了SLdisco，并考虑了模型大小和样本量的几种选择。我们发现，SLdisco是更保守的，只是适度较少的信息和较不敏感的样本量比现有的程序。我们还提供了一个真实的流行病学数据应用程序。我们使用随机二次抽样调查小样本的真实数据的性能，并再次发现，SLdisco是对样本量不太敏感，因此似乎更好地利用小数据集的信息。
2022-05-14 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
Causal Discovery from Heterogeneous/Nonstationary Data with Independent Changes
Carnegie Mellon University（卡内基梅隆大学）；Lingnan University（岭南大学）；Rutgers University（罗格斯大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
异构或非平稳数据是常见的，其底层生成过程跨域或随时间而变化。这种分布偏移特征为因果发现带来了挑战和机遇。在本文中，我们开发了一个框架的因果发现从这样的数据，称为约束为基础的因果发现从异构/非平稳数据（CD-NOD），找到因果骨架和方向，并估计机制变化的属性。首先，我们提出了一个增强的基于约束的过程来检测变量的局部机制的变化和恢复的骨架的因果结构观察到的变量。其次，我们提出了一种方法来确定因果方向，利用独立的变化隐含的数据分布的基础因果模型，受益于不断变化的分布所携带的信息。在学习了因果结构之后，接下来，我们研究如何有效地估计因果机制的非平稳性的“驱动力”。也就是说，我们的目标是从数据中提取变化的低维表示。所提出的方法是非参数的，对数据分布和因果机制没有硬性限制，并且不依赖于窗口分割。此外，我们发现，数据的异质性的因果结构识别，即使特定类型的混杂因素。最后，我们展示了因果发现中的异质性/非平稳性和软干预之间的联系。各种合成和现实世界的数据集（任务功能磁共振成像和股票市场数据）的实验结果证明所提出的方法的有效性。
2020-06-25 cs.LG stat.ML
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
针对观测表格数据因果发现难题，提出DAG-FM基础模型，通过自回归阶段、表格交互块及叶专家混合处理复杂情况，经迭代推理构建DAG，在合成及真实数据集上性能优于传统算法和其他模型。
2026-08-04 cs.LG stat.ML
Conditional Independence Testing with Heteroskedastic Data and Applications to Causal Discovery
针对异方差数据，提出改进的偏相关条件独立性检验，结合专家知识，在因果发现中优于标准检验且保持理论一致性。
2023-06-20 stat.ME stat.ML
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation
Technical University of Munich（慕尼黑工业大学）；Mila - Quebec AI Institute（米拉 - 魁北克人工智能研究所）；ServiceNow Research（ServiceNow研究院）；Université de Montréal（蒙特利尔大学）；Helmholtz AI（亥姆霍兹人工智能研究所）
针对因果发现方法评估中忽视下游推断的问题，该研究在处理效应估计任务上评估了七种方法（含基于GFlowNets的新方法），通过分布层面评估揭示了不同算法在捕捉ATE模式上的表现差异。
2023-07-30 cs.LG stat.ME
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
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data
Humboldt University Berlin（柏林洪堡大学）；Bucharest University of Economic Studies（布加勒斯特经济研究大学）
针对观测数据非线性因果发现缺乏统一评估框架的问题，提出可解释的六维评估指标DOS，并通过大规模模拟研究评估七类结构学习算法，发现摊销因果发现性能接近最优。
2024-12-16 cs.LG stat.ML
CUTS: Neural Causal Discovery from Irregular Time-Series Data
Tsinghua University（清华大学）；Institute for Brain and Cognitive Science, Tsinghua University (THUIBCS)（清华大学脑与认知科学研究所）；Chinese PLA General Hospital（中国人民解放军总医院）
从时间序列数据中发现因果关系一直是机器学习的核心任务。最近，Granger因果关系推理由于其良好的可解释性和与新兴的深度神经网络的高度兼容性而获得了发展势头。然而，现有的方法大多假设输入数据是结构化的，当遇到随机缺失数据或采样频率不均匀的数据时，这些方法的性能会大大退化，这就阻碍了它们在实际应用中的应用。为了解决这个问题，本文提出了一种神经Granger因果发现算法CUTS，通过在一个迭代框架中插入两个相互促进的模块来联合估算未观察到的数据点并构建因果图：（i）潜在数据预测阶段：设计了一个延迟监督图神经网络（Delayed Supervision Graph Neural Network，DSGNN）来对可能具有高维和复杂分布的非结构化数据进行幻觉和注册;（ii）因果图拟合阶段：在稀疏惩罚下用估算数据构建因果邻接矩阵。实验表明，CUTS有效地推断因果图从非结构化的时间序列数据，具有显着优于现有的方法的性能。我们的方法是一个有前途的一步，将因果发现应用到实际应用中的非理想观测。
2023-02-15 cs.LG stat.ME
An Upper Bound for Random Measurement Error in Causal Discovery
University of Amsterdam（阿姆斯特丹大学）；ETH Zürich（苏黎世联邦理工学院）；IBM Research（IBM研究院）
因果发现算法根据几个假设从数据中推断因果关系，其中包括不存在测量误差。然而，这一假设在实际应用中很可能被违反，这可能导致错误的、不可再现的结果。在这项工作中，我们将展示如何获得一个上限的随机测量误差的方差从测量变量的协方差矩阵，以及如何使用这个上限作为一个校正约束为基础的因果发现。我们展示了我们的方法在模拟数据和真实世界的蛋白质信号数据的实际应用。
2018-10-18 cs.LG stat.ML
Causal Discovery Toolbox: Uncover causal relationships in Python
本文提出了一个新的开源Python框架，用于从观测数据和领域背景知识中发现因果关系，旨在建立因果图和因果机制模型。'cdt'包实现了端到端的方法，恢复变量之间的直接依赖关系（因果图的骨架）和因果关系。它包括来自'Bnlearn'和'Pcalg'包的算法，以及用于成对因果发现的算法，如ANM。'cdt'在https://github.com/Diviyan-Kalainathan/CausalDiscoveryToolbox的MIT许可下可用。
2019-03-06 stat.CO stat.ML
