NESTER: An Adaptive Neurosymbolic Method for Causal Effect Estimation
Indian Institute of Technology Hyderabad(印度海得拉巴理工学院)
本文提出了一种名为NESTER的自适应神经符号方法,通过设计领域特定语言将现有基于多头神经网络的因果效应估计思想整合到统一框架中,并在理论和实验上均验证了其优于现有最先进方法的性能。
2024-01-08 cs.AI cs.LG stat.ME
A Neuroimaging Simulation Framework for Developing and Evaluating Causal AI
Biomedical Engineering Graduate Program, University of Calgary(卡莱尔大学生物医学工程研究生项目);Department of Computing, Imperial College London(伦敦帝国理工学院计算机系);Department of Radiology, University of Michigan(密歇根大学放射科)
提出一种生成具有已知因果结构的合成神经影像框架,通过模拟T1加权MRI中的体积变化实现因果控制,为因果AI方法提供基准测试数据。
2026-06-27 cs.LG eess.IV
Causality in cognitive neuroscience: concepts, challenges, and distributional robustness
概率模型描述了观测变量之间的依赖结构,而因果模型则更进一步:例如,它们预测了干扰神经元活动的外部干预如何影响认知功能。在这篇回顾和展望文章中,我们介绍了认知神经科学背景下的因果关系的概念,并回顾了现有的方法从数据中推断因果关系。因果推理是一项雄心勃勃的任务,在认知神经科学中尤其具有挑战性。我们更详细地讨论了两个困难:介入数据的稀缺性和寻找正确变量的挑战。我们认为,分配的鲁棒性作为一个指导原则,以解决这些问题。鲁棒性(或不变性)是因果方法论的基本原则。一个目标变量的因果模型可以在环境或主题中推广,只要这些环境保持因果机制不变。因此,如果一个候选模型不能泛化,那么要么它不包含目标变量的原因,要么底层变量不代表问题的正确粒度。从这个意义上说,在定义相关变量时,评估普遍性可能是有用的,并且可以用于部分补偿缺乏干预性数据。
2020-07-03 q-bio.NC stat.AP stat.ME
How causal perspectives can inform neuroscience data analysis
Stanford University(斯坦福大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本综述探讨观察性神经科学研究中的因果归因问题,系统引入因果推断框架,通过睡眠质量与白质完整性的示例及多站点协调等案例,展示如何识别混杂与选择偏差,为实验设计和分析选择提供具体工具,以加强因果解释并促进更稳健的研究方法。
2025-11-01 q-bio.OT stat.OT
Solved problems and remaining challenges for Granger causality analysis in neuroscience: A response to Stokes and Purdon (2017)
Granger-Geweke因果关系(GGC)是神经科学中用于识别定向功能(“catheter”)连接的强大且流行的方法。在最近的一篇论文中,Stokes和Purdon [1]对它的使用提出了一些担忧。他们提出了两个主要主张:(1)GGC估计可能存在严重偏差或高方差,(2)GGC未能揭示系统的完整结构/因果机制。然而,这些说法分别基于对文献的不完整评估和对GGC可以测量的内容的误解。在这里,我们解释了现有的方法(例如,在我们流行的MVGC软件[2,3]中实现的方法)如何解决第一个问题,并讨论了功能和有效神经连接之间经常被误解的区别,这是斯托克斯和珀登的第二个主张的基础。[1]帕特里克·A斯托克斯和帕特里克。L. Purdon(2017),从神经科学的角度研究Granger因果关系分析中遇到的问题,Proc. Natl。Acad. Sci. USA 114(34):7063-7072. [2]莱昂内尔·巴内特和阿尼尔·K. Seth(2012),MVGC Multivariate Granger Causality Matlab toolbox,http://users.sussex.ac.uk/~lionelb/MVGC/ [3] Lionel Barnett and Anil K. Seth(2014),MVGC多变量Granger因果关系工具箱:Granger-因果推断的新方法…
2018-02-06 stat.ME
Generating Hypotheses of Dynamic Causal Graphs in Neuroscience: Leveraging Generative Factor Models of Observed Time Series
Department of Electrical and Computer Engineering, Duke University, Durham, NC 15213, USA(电气与计算机工程系,杜克大学,达勒姆,NC 15213,美国);Departments of Civil and Environmental Engineering(土木与环境工程系;生物统计学与生物信息学系;和计算机科学系,杜克大学,达勒姆,NC 15213,美国);Biostatistics and Bioinformatics;and Computer Science, Duke University, Durham, NC 15213, USA
本文提出将动态因果图建模为静态图的条件加权叠加以捕捉非线性时变关系,在部分实验中f1分数平均提升22-28%,并在真实脑数据中揭示了与行为状态相关的神经动态关系。
2025-07-02 cs.AI cs.LG stat.AP
Causal Discovery in the Presence of Missing Data
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)
缺失数据在包括医疗保健在内的许多领域都是普遍存在的。当这些数据录入不是完全随机缺失时,观测数据中的(条件)独立关系可能与基础因果过程生成的完整数据中的独立关系不同。因此,简单地将现有的因果发现方法应用于观测数据可能会导致错误的结论。在本文中,我们的目标是开发一种因果发现方法,从遵循不同缺失机制的观测数据中恢复潜在的因果结构,包括完全随机缺失(MCAR),随机缺失(MAR)和非随机缺失(MNAR)。与missingness图表示的missingness机制,我们分析的条件下,需要额外的校正,以获得完整的数据中的条件独立/依赖关系。基于我们的分析,我们提出了连续和二进制变量的缺失值PC(MVPC)算法,它扩展了PC算法,将额外的校正。我们提出的MVPC在理论上给出渐近正确的结果,即使是MAR或MNAR的数据。在合成数据上的实验结果表明,该算法即使在一般的MNAR情况下也能找到正确的因果关系。此外,我们创建了一个神经性疼痛诊断模拟器,用于评估因果发现方法。在模拟神经病理性疼痛诊断记录和其他两个真实世界的应用程序上进行评估,MVPC优于其他基准方法。
2020-07-12 cs.LG stat.ML
Learning Task-General Representations with Generative Neuro-Symbolic Modeling
New York University(纽约大学)
人们可以从原始的感知输入中学习到丰富的、通用的概念表征。目前的机器学习方法远远达不到这些人类标准,尽管不同的建模传统往往具有互补的优势。符号模型可以捕获组成和因果知识,从而实现灵活的泛化,但它们很难从原始输入中学习,依赖于强大的抽象和简化的假设。神经网络模型可以直接从原始数据中学习,但它们很难捕获组成和因果结构,并且通常必须重新训练以处理新任务。我们将这两种传统结合在一起,学习概念的生成模型,这些模型捕获丰富的组成和因果结构,同时从原始数据中学习。我们开发了一个生成神经符号(GNS)模型的手写字符的概念,使用概率程序的控制流,再加上象征性的笔画原语和象征性的图像渲染器,表示字符形成的因果和组成过程。部分(笔画)的分布,以及部分之间的相关性,用神经网络子程序建模,允许模型直接从原始数据中学习并表达非参数统计关系。我们将我们的模型应用于人类水平的概念学习的Omniglot挑战,使用一组背景字母表来学习字符绘图的表达先验分布。在随后的评估中,我们的GNS模型使用概率推理从单个训练图像中学习丰富的概念表示,这些训练图像概括为4个独特的任务,成功地完成了以前的工作。
2021-01-23 cs.AI 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
Identifying Nonstationary Causal Structures with High-Order Markov Switching Models
Imperial College London(帝国理工学院);University of Michigan(密歇根大学);University College London(伦敦大学学院)
本研究通过机制依赖的因果结构解决时间序列非平稳性问题,建立了高阶马尔可夫切换模型的可识别性,并实证验证了该方法在大脑活动数据上的可扩展性与适用性。
2024-06-25 cs.LG stat.ML
Causal Discovery with Multi-Domain LiNGAM for Latent Factors
Guangdong University of Technology(广东工业大学);RIKEN(理化学研究所);Shiga University(滋贺大学);Pazhou Lab(琶洲实验室);Peking University(北京大学);Okayama University(冈山大学);Foshan University(佛山科学技术学院)
从观测数据中发现潜在因素之间的因果结构是一个特别具有挑战性的问题。尽管针对这个问题做了一些努力,但现有的方法仅针对单域数据。在本文中,我们提出了多域线性非高斯非循环模型的潜在因素(MD-LiNA),其中的潜在因素之间的因果结构是共享的所有域,我们提供了它的识别结果。该模型丰富了多领域数据的因果表示。我们提出了一个综合的两阶段算法来估计模型。特别是,我们首先定位潜在的因素和估计的因素负载矩阵。然后,为了揭示共享潜在兴趣因素之间的因果结构,我们基于外部影响之间的独立关系以及多领域潜在因素与潜在兴趣因素之间的依赖关系的表征推导出评分函数。我们表明,所提出的方法提供了局部一致的估计。合成和真实世界的数据上的实验结果表明,我们的方法的有效性和鲁棒性。
2022-04-23 cs.LG stat.ML
Estimation of Causal Effects in the Presence of Unobserved Confounding in the Alzheimer's Continuum
Ludwig-Maximilians-Universität(慕尼黑大学)
研究神经解剖学与阿尔茨海默氏症引起的认知能力下降之间的关系一直是过去十年的主要研究焦点。然而,为了从观察数据中推断因果关系而不是简单的关联,我们需要(i)在图形模型中表达导致认知下降的因果关系,以及(ii)确保从收集的数据中可以识别感兴趣的因果效应。我们得出一个因果关系图,从目前的临床知识的原因和影响,在阿尔茨海默氏症的连续性,并表明,可识别的因果关系的影响,需要所有的混杂因素是已知的和测量。然而,在复杂的神经影像学研究中,我们既不知道所有潜在的混杂因素,也没有关于它们的数据。为了减轻这一要求,我们利用多个原因之间的依赖关系,通过概率潜在因素模型推导出一个替代混淆因素。在我们的理论分析中,我们证明了使用替代混杂因素可以识别神经解剖学对认知的因果影响。我们定量评估我们的方法在半合成数据上的有效性,在那里我们知道真正的因果关系,并说明其在阿尔茨海默病连续体的真实数据上的使用,在那里它揭示了重要的原因,否则会被错过。
2021-06-20 cs.LG stat.AP stat.ME
A VAE-based Framework for Learning Multi-Level Neural Granger-Causal Connectivity
UCLA(加利福尼亚大学洛杉矶分校)
本文提出基于VAE的框架,用于联合学习多个相关但异质动力系统中的Granger因果连接,同时提取共享结构和个体独特性,并在合成与真实神经数据上验证了其有效性。
2024-02-25 cs.LG stat.ME stat.ML
Recovery of non-linear cause-effect relationships from linearly mixed neuroimaging data
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Gatsby Computational Neuroscience Unit, Sainsbury Wellcome Centre(盖茨比计算神经科学单元,塞恩斯伯里惠康中心)
因果推断涉及变量之间因果关系的识别。然而,通常只有变量的线性组合才构成有意义的因果变量。例如,从脑电图中恢复皮层源的信号需要在多个电极处记录的信号的良好调谐组合。我们最近引入了MERLiN(线性网络中的混合效应恢复)算法,该算法能够从观察到的线性混合中恢复一个因果变量,该变量是另一个给定变量的线性效应。在这里,我们放松的假设,这种因果关系是线性的,并提出了一个扩展的算法,可以拿起非线性因果关系。因此,主要的贡献是一个算法(和准备使用的代码),具有更广泛的适用性,并允许更丰富的模型类。此外,比较分析表明,线性因果关系的假设是没有限制性的分析脑电图数据。
2016-09-30 cs.LG stat.AP stat.ME
Causal Graph Recovery in Neuroimaging through Answer Set Programming
Georgia Institute of Technology(佐治亚理工学院);Georgia State University(佐治亚州立大学);Center for Translational Research in Neuroimaging and Data Science (TReNDS)(神经影像与数据科学转化研究中心);University of California San Diego(加州大学圣地亚哥分校)
针对子采样时间序列因果图恢复难题,提出基于回答集编程的方法,纳入子采样影响并结合图论剪枝,在模拟和脑连接数据上取得SOTA,叠加现有方法可平均提升F1分数12%且鲁棒性更强。
2025-06-10 cs.AI cs.LG stat.AP
Nonlinear Permuted Granger Causality
University of Virginia(弗吉尼亚大学)
针对非线性数据中格兰杰因果推断的挑战,提出一种基于协变量集置换的显式功能连接度量方法,利用人工神经网络逼近任意非线性关系,并在特定条件下证明置换方差的一致性估计,通过模拟和神经数据验证其性能。
2023-09-17 stat.ME stat.ML
A Causal Formulation of Spike-Wave Duality
本文用结构因果模型和Pearl的do-演算形式化峰波二象性问题,将争论从“哪种信号更重要”重构为“在何种条件下信号具有因果作用”,为区分预测与解释提供原则性框架。
2025-11-10 q-bio.NC stat.ME
Penalized FCI for Causal Structure Learning in a Sparse DAG for Biomarker Discovery in Parkinson's Disease
针对帕金森病生物标志物的高维稀疏因果发现问题,提出带惩罚的快速因果推断(PFCI)算法,结合稀疏约束高效推断因果结构,识别与PD病理因果相关的标志物,助力早期诊断与患者分层。
2025-06-30 stat.AP stat.ME
Neuro-Symbolic Procedural Planning with Commonsense Prompting
University of California, Santa Barbara(加州大学圣巴巴拉分校);University of California, Santa Cruz(加州大学圣克鲁兹分校)
程序计划旨在通过分解成顺序的简单低级别步骤来实现复杂的高级别目标。尽管过程规划是人类日常生活中的一项基本技能,但对于缺乏对过程中因果关系的深刻理解的大语言模型(LLM)来说,它仍然是一个挑战。先前的方法需要手动样本来从zero-shot设置中的LLM获取程序规划知识。然而,LLM中的这种引发的预训练知识会导致目标和步骤之间的虚假相关性,从而损害模型对看不见的任务的泛化。相比之下,本文提出了一种神经符号程序规划器(ESTA),从常识注入提示LLM的程序规划知识。为了减轻虚假的目标步骤的相关性,我们使用符号程序执行器的潜在的程序表示形式化提示从常识知识库的因果干预结构因果模型。WikiHow和RobotHow上的自动和人工评估都显示了在没有进一步培训或手动范例的情况下,机器人程序规划的优越性。
2023-02-16 cs.AI cs.CL cs.LG
Identification of Causal Relationship between Amyloid-beta Accumulation and Alzheimer's Disease Progression via Counterfactual Inference
University of Georgia(佐治亚大学);Beijing Normal University(北京师范大学);The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);Brigham and Women’s Hospital(布莱根妇女医院);Shanghai Jiao Tong University(上海交通大学);The University of Virginia(弗吉尼亚大学)
本文提出图变系数神经网络GVCNet,利用反事实推断在连续处理水平下估计个体处理效应,以揭示β-淀粉样蛋白积累与阿尔茨海默病进展之间的区域因果关系,为早期诊断和个性化护理提供工具。
2023-07-03 cs.LG stat.ME
Statistical Perspective on Functional and Causal Neural Connectomics: The Time-Aware PC Algorithm
大脑中神经元之间基于其活动的信息流的表示被称为因果功能连接体。这种表征结合了神经元活动的动态性质和它们之间的因果相互作用。与连接体不同,因果功能连接体不能直接观察到,需要从神经时间序列中推断。一个流行的统计框架推断因果连接的观察是有向概率图形建模。它的共同制定是不适合神经时间序列,因为是独立和相同分布的静态样本的变量。在这项工作中,我们提出了一种新的方法,适应定向概率图形建模的时间序列的情况下,从神经时间序列的因果功能连接的模型和估计。特别是,我们开发的时间感知PC(TPC)算法估计的因果功能连接,适应PC算法的统计因果推理的最先进的方法。我们发现,TPC的模型结果具有反映神经相互作用的因果关系,如非参数的属性,表现出有向马尔可夫性质的时间序列设置,并预测的后果,反事实干预的时间序列。我们证明了该方法的实用性,以获得因果功能连接体的几个数据集,包括模拟,基准数据集,和最近的多阵列电生理记录从小鼠视觉皮层。
2022-04-12 q-bio.NC q-bio.QM stat.AP
CausalX: Causal Explanations and Block Multilinear Factor Analysis
Tensor Vision Technologies(张量视觉科技公司);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出CausalX框架,通过统一多线性模型和分层块多线性因子分解(M-mode Block SVD)解耦因果因子,并引入增量计算方法提升效率,使物体识别对遮挡更具鲁棒性。
2021-02-27 cs.AI cs.CV cs.LG
Network-aware IV Regression for Causal Node Discovery and Estimation
本文提出一种两阶段回归框架,结合工具变量和图正则化,以发现网络结构中稀疏的因果效应。方法在存在潜在混杂时有效恢复因果支持,并在脑成像和遗传数据中验证了其有效性。
2026-06-29 stat.ME
Causal Inference for Unobservable Multivariate Outcomes, with Applications to Brain Effective Connectivity
Brown University(布朗大学)
本文提出方法用于评估干预对多变量结果的因果效应,通过样本分割和逆概率加权处理大脑区域间方向性关系的估计问题,验证了方法在控制假阳性率和家族错误率方面的有效性。
2026-04-01 stat.ME
CITRIS: Causal Identifiability from Temporal Intervened Sequences
University of Amsterdam(阿姆斯特丹大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Qualcomm AI Research(高通人工智能研究院)
从视觉观察中理解动力系统的潜在因果因素被认为是复杂环境中智能体推理的关键一步。在本文中,我们提出了CITRIS,一个变分自编码器框架,学习因果关系表示的图像中,潜在的因果因素可能被干预的时间序列。与最近的文献相比,CITRIS利用时间性和观察干预目标来识别标量和多维因果因素,如3D旋转角度。此外,通过引入规范化流程,CITRIS可以很容易地扩展到利用和解开已经预训练的自动编码器获得的表示。扩展以前的结果标量因果因素,我们证明了可识别性在一个更一般的设置,其中只有一些组件的因果因素的干预措施的影响。在3D渲染图像序列的实验中,CITRIS在恢复潜在的因果变量方面优于以前的方法。此外,使用预训练的自动编码器,CITRIS甚至可以推广到因果因素的不可见实例,为因果表示学习的模拟到真实泛化开辟了未来的研究领域。
2022-06-15 cs.AI cs.LG stat.ME
Nonparametric causal inference for optogenetics: sequential excursion effects for dynamic regimes
本文提出一种非参数因果推断框架,通过扩展序列偏移效应方法分析光遗传学实验中的动态治疗机制,解决了正定性违规下的因果效应估计问题,并提供了可识别性条件和渐近统计保证。
2025-07-01 stat.AP stat.ME
Extracting Root-Causal Brain Activity Driving Psychopathology from Resting State fMRI
University of Pittsburgh(匹兹堡大学)
本文提出SOURCE方法,通过双层结构性因果模型从静息态fMRI中提取驱动心理障碍的根因性脑活动,提升症状维度的可解释性和解剖特异性。
2026-02-06 cs.CV cs.LG eess.IV
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是,我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的,并且后者比前者更精确。
2016-07-12 stat.ME
On the dimensional indeterminacy of one-wave factor analysis under causal effects
它示出,与两套指标,分别加载在两个不同的因素,独立于另一个条件的过去,如果是这样的情况下,至少一个因素的因果关系影响其他的,那么,在许多设置中,该过程将收敛到一个因素模型,其中一个单一的因素将足以捕捉指标之间的协方差结构。使用一波数据的因子分析无法区分具有单个因子的因子模型与具有两个因果相关因子的因子模型。因此,除非可以先验地排除因素之间的因果关系,否则对单个因素进行单波因素分析的所谓经验证据仍然存在单个因素或两个因素相互因果影响的可能性。解释心理量表的因素结构,如焦虑和抑郁的自我报告量表,或幸福和目的的影响,进行了讨论。通过模拟进一步说明了结果,以深入了解在更现实的设置之前的收敛过程的结果的实际影响。一些进一步的概括任意数量的基本因素指出。
2022-04-15 stat.ME
Causal inference from $2^k$ factorial designs using the potential outcomes model
本文提出了一个从两水平析因设计中进行因果推断的框架。该框架利用的概念,潜在的结果,在于在中心阶段的因果推断和扩展奈曼的重复抽样方法的因果效应估计和随机化测试的基础上,费舍尔的尖锐的原假设的情况下,2-水平析因实验。该框架允许从有限的人口统计推断,允许定义和估计的被估量以外的“平均因子效应”,并导致更灵活的推理程序比那些基于普通最小二乘估计从线性模型。
2012-11-16 math.ST stat.AP stat.ME
On randomization-based causal inference for matched-pair factorial designs
在潜在结果框架下,我们引入了配对析因设计,并给出了析因效应的配对估计。我们还计算了匹配对估计的基于随机化的协方差阵,并给出了协方差阵的“Neymanian”估计。
2017-02-03 stat.ME
Addressing an extreme positivity violation to distinguish the causal effects of surgery and anesthesia via separable effects
针对手术与麻醉观察等价导致的极端正值性违反问题,采用可分离效应框架阻断手术中介路径以单独识别麻醉因果效应,并基于全国性数据评估了结果对关键假设违反的敏感性。
2025-04-01 stat.AP stat.ME
Multivariate Causal Effects: a Bayesian Causal Regression Factor Model
Brown University(布朗大学);Harvard University(哈佛大学);Dana Farber Cancer Institute(达纳-法伯癌症研究所)
本文提出了一种贝叶斯因果回归因子模型,用于估计野火烟雾对PM2.5中27种化学物种的多变量因果效应,通过引入因果推断框架和贝叶斯因子模型,提升了对复杂依赖关系的建模能力。
2026-02-08 stat.ME
Visual Causal Feature Learning
California Institute of Technology(加州理工学院)
我们提供了一个严格的定义的视觉原因的行为,广泛适用于视觉驱动的行为在人类,动物,神经元,机器人和其他感知系统。我们的框架将因果学习的标准账户推广到因果变量需要从微观变量构建的环境中。我们证明了因果粗化定理,这使我们能够以最小的实验努力从观测数据中获得因果知识。该定理提供了与机器学习中的标准推理技术的连接,该标准推理技术识别与目标行为相关但可能不会导致目标行为的图像特征。最后,我们提出了一个主动学习方案来学习一个操纵器函数,该函数对图像进行最佳操纵,以自动识别目标行为的视觉原因。我们说明了我们的推理和学习算法在实验的基础上合成和真实的数据。
2015-06-04 cs.AI cs.CV cs.LG