Causal-TGAN: Generating Tabular Data Using Causal Generative Adversarial Networks
Stevens Institute of Technology(史蒂文斯理工学院)
合成数据生成作为隐私泄露和数据短缺的解决方案变得流行。生成式模型的目的是生成一个真实的合成数据集,它可以精确地表达真实数据集的数据分布。生成对抗网络(GAN)在计算机视觉领域取得了巨大的成功,被广泛用于合成数据的生成。虽然之前的研究已经取得了很大的进展,但大多数研究都是学习数据分布中的相关性,而不是数据集自然生成的真实过程。相关性是不可靠的,因为它是一种统计技术,只告诉线性相关性,很容易受到数据集的偏见。因果关系编码了真实数据如何自然生成的所有潜在因素,比相关性更可靠。在这项工作中,我们提出了一个因果模型命名为因果表格生成神经网络(Causal-TGAN)生成合成表格数据使用表格数据的因果信息。在模拟数据集和真实数据集上进行的大量实验表明,当给定真实因果图时,我们的方法具有更好的性能,当使用估计因果图时,我们的方法具有相当的性能。
2021-04-21 cs.AI cs.LG
TrialCalibre: A Fully Automated Causal Engine for RCT Benchmarking and Observational Trial Calibration
本文提出TrialCalibre,一种多智能体系统,用于自动化和扩展BenchExCal流程,通过专门的智能体协调整个过程,实现适应性、可审计和透明的因果效应估计。
2026-04-28 cs.AI
Schema Networks: Zero-shot Transfer with a Generative Causal Model of Intuitive Physics
Vicarious AI(Vicarious AI 公司)
最近基于深度神经网络的方法对强化学习和规划领域的适应在个别任务上取得了显著进展。尽管如此,在任务间转移方面的进展仍然有限。为了追求高效和强大的泛化,我们引入了模式网络,这是一个面向对象的生成物理模拟器,能够解开事件的多个原因,并通过原因向后推理以实现目标。模式网络的结构丰富的体系结构可以直接从数据中学习环境的动态。我们在一系列Breakout变体上将Schema Networks与Asynchronous Advantage Actor-Critic和Progressive Networks进行了比较,报告了训练效率和zero-shot泛化的结果,始终展示了更快,更强大的学习和更好的迁移。我们认为,从有限的数据和学习因果关系的概括是通往一般智能系统的道路上必不可少的能力。
2017-08-17 cs.AI
Bayesian Model Averaging for Data Driven Decision Making when Causality is Partially Known
Purdue University(普渡大学);George Mason University(乔治梅森大学)
概率机器学习模型通常不足以帮助做出干预决策,因为这些模型发现的是相关性,而不是因果关系。如果只有观察数据,实验是不可行的,正确的方法来研究干预的影响是调用珍珠的因果关系框架。即使是这种框架也假设基本的因果图是已知的,但实际上很少有这种情况。当因果结构未知时,可以使用开箱即用算法从观测数据中找到因果依赖关系。然而,也不存在在发展因果结构时也考虑决策者的先验知识的方法。本文的目的是制定合理的方法,在因果图的不确定性和决策者的先验知识的存在下,从观测数据进行决策。我们使用集成方法,如贝叶斯模型平均(BMA)来推断一组可以代表数据生成过程的因果图。我们通过明确计算潜在干预的期望值和风险来提供决策。我们通过在不同的示例环境中应用它们来演示我们的方法。
2021-05-12 cs.AI
Disentangled Instrumental Variables for Causal Inference with Networked Observational Data
School of Computer Science and Engineering(计算机科学与工程学院);Guangxi Key Lab of MSMI(广西 MSMI 重点实验室);MOE Key Lab of EBIT, Guangxi Normal University(教育部 EBIT 重点实验室,广西师范大学);School of Computer Science and Technology(计算机科学与技术学院);University of South Australia(南澳大利亚大学);School of Information Technology and Mathematical Sciences(信息科技与数学科学学院);China University of Mining and Technology(中国矿业大学)
DisIV通过解耦机制提取个体特定组件作为潜在工具变量,有效解决网络观测数据中潜在混杂因素的因果推断问题。
2026-02-08 cs.AI
Realistic threat perception drives intergroup conflict: A causal, dynamic analysis using generative-agent simulations
本文通过生成代理模拟研究现实威胁与象征威胁对群体冲突的因果影响,发现现实威胁直接提升敌意,而象征威胁的影响需通过群体内偏见中介,非敌对接触可缓解冲突升级。
2025-12-18 cs.AI
Inferring extended summary causal graphs from observational time series
Easyvista;Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学)
本研究针对时间序列上的延伸摘要因果图的学习问题。我们提出的算法适合在著名的基于约束的框架因果发现,并利用信息理论的措施,以确定(中)时间序列之间的依赖关系。我们首先介绍的因果熵测度的任何滞后或瞬时关系的概括,使用此措施之前,通过适应两个著名的算法,即PC和FCI构建扩展的摘要因果图。我们的方法的行为说明了通过模拟和真实数据集上运行的几个实验。
2022-05-19 cs.AI stat.ML
A Framework for Inferring Causality from Multi-Relational Observational Data using Conditional Independence
Duke University(杜克大学);University of Washington(华盛顿大学)
因果关系或因果推断的研究-给定的治疗对人群中给定结果的因果影响程度-远远超出了变量的相关性或关联分析,并且对于在众多应用中做出合理的数据驱动决策和政策至关重要。因果推理的黄金标准是进行“受控实验”,由于逻辑或道德原因,这通常是不可能的。作为替代方案,基于“Neyman-Rubin潜在结果模型”对“观测数据”进行因果关系推断已在几十年来广泛用于统计学,经济学和社会科学。在本文中,我们提出了一个正式的框架,健全的因果分析的观测数据集,给出了多重关系,并在研究中的人口是通过加入这些基础关系。我们研究了从观察数据推断因果关系的一个关键条件,称为“强可检验性假设”(考虑到观察到的协变量,治疗和结局变量在联合关系中应该是独立的),使用在基础关系中保持的已知条件独立性。我们还讨论了作为图形模型的基础关系中的条件独立性的结构如何帮助推断新的条件独立性的联合关系。拟议的框架结合了数据库,统计和图形模型的概念,旨在启动跨越这些领域的新研究方向,以促进当今大数据世界中强大的数据驱动决策。
2017-08-08 cs.AI cs.DB
From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling
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)
本综述系统梳理因果生成建模,涵盖因果表征学习与可控反事实生成,并探讨其理论、方法、应用及未来方向。
2024-05-23 cs.AI cs.LG stat.ML
CausalGAN: Learning Causal Implicit Generative Models with Adversarial Training
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
我们提出了一个对抗训练过程,用于学习给定因果图的因果隐式生成模型。我们表明,如果生成器架构与给定的因果图一致,则对抗训练可以用于学习具有真实观察和干预分布的生成模型。我们考虑了基于给定的二进制标签生成人脸的应用,其中标签之间的依赖结构用因果图来保存。这个问题可以看作是学习图像和标签的因果隐式生成模型。我们设计了一个两阶段的程序来解决这个问题。首先,我们使用与因果图一致的神经网络作为生成器,在二进制标签上训练因果隐式生成模型。我们的经验表明,WassersteinGAN可以用来输出离散标签。随后,我们提出了两种新的条件GAN架构,我们称之为Causal GAN和Causal BEGAN。我们表明,最佳的生成器的CauseGAN,给定的标签,样本从这些标签的条件下的图像分布。然后,与用于标签的经训练的因果隐式生成模型组合的条件GAN是标签和所生成的图像上的因果隐式生成模型。我们表明,所提出的架构可以用于从观察和介入图像分布中进行采样,即使对于数据集中不自然发生的干预也是如此。
2017-09-14 cs.AI cs.IT 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
Causal Sensitivity Identification using Generative Learning
TCS Research, TATA Consultancy Services Limited(Tata 咨询服务有限公司研究部);Department of Computer Science and Engineering, IIT Kharagpur(印度Kharagpur理工学院计算机科学与工程系)
本研究提出一种基于CVAE的生成式因果敏感性识别方法,从干预和反事实视角分析因果影响、识别因果敏感特征以降低混杂偏差,在GeoLife数据集和Asia贝叶斯网络基准上验证了其因果识别与预测性能提升的效果。
2025-09-01 cs.AI cs.LG
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
Emerging Synergies in Causality and Deep Generative Models: A Survey
University of New South Wales(新南威尔士大学);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);University of California, San Diego(加利福尼亚大学圣迭戈分校);CSIRO’s Data61(澳大利亚联邦科学与工业研究组织Data61研究院)
本文综述因果关系与深度生成模型的融合,梳理因果原理融入 DGMs、利用 DGMs 进行因果识别,以及生成式 LLM 中因果研究的方法、挑战与未来方向。
2025-03-18 cs.AI cs.LG
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
Probabilistic Variational Causal Approach in Observational Studies
The University of Quebec at Trois-Rivieres(魁北克大学三河分校)
本文提出概率变分因果效应(PACE)度量,通过参数d调节对稀有或频繁处理值的关注,并给出正负PACE及归一化版本,提供可识别性准则,以处理观测研究中的反事实挑战。
2025-02-27 cs.AI cs.LO
Leveraging Foundation Models for Causal Generative Modeling
University of Arkansas(亚拉巴马大学)
提出FM-CGM框架,通过预训练基础模型实现零样本因果发现、干预和反事实生成,并引入因果语义引导机制确保忠实反事实图像生成。
2026-05-22 cs.AI cs.CV cs.LG
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
Causal Bias Detection in Generative Artificial Intelligence
Department of Statistics & Data Science(统计与数据科学系)
本文研究了生成人工智能中的因果公平性问题,提出了新的因果分解结果,以量化不同因果路径和现实机制被生成模型替代对公平性的影响,并通过分析大型语言模型中的种族和性别偏见验证了方法的有效性。
2026-05-18 cs.AI cs.LG stat.ML
Generative causal explanations of black-box classifiers
School of Electrical & Computer Engineering(电气与计算机工程学院);Georgia Institute of Technology(佐治亚理工学院)
我们开发了一种方法,用于生成因果事后解释的黑盒分类器的基础上学习的低维表示的数据。解释是因果关系的意义上说,改变学习的潜在因素产生的分类器输出统计的变化。为了构建这些解释,我们设计了一个学习框架,利用生成模型和因果影响的信息理论措施。我们的目标函数鼓励生成模型忠实地表示数据分布和潜在因素对分类器输出有很大的因果影响。我们的方法学习全局和局部解释,与任何承认类概率和梯度的分类器兼容,并且不需要标记属性或因果结构知识。使用仔细控制的测试用例,我们提供的直觉,阐明了我们的目标的功能。然后,我们展示了我们的方法在图像识别任务的实际效用。
2020-10-22 cs.AI cs.LG stat.ML
CausalRM: Causal-Theoretic Reward Modeling for RLHF from Observational User Feedbacks
Peking University(北京大学);Xiaohongshu Inc.(小红书公司);Zhejiang University(浙江大学)
本文提出CausalRM框架,通过因果理论处理观察性用户反馈中的噪声和偏见问题,提升RLHF任务性能,实验显示在WildGuardMix和HarmBench上分别提升49.2%和32.7%。
2026-03-19 cs.AI cs.CL cs.LG
Weakly Supervised Disentangled Generative Causal Representation Learning
The Hong Kong University of Science and Technology(香港科技大学);Zhejiang Laboratory(之江实验室);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
提出了一种在适当的监督信息下的分解能量因果表示(DEAR)学习方法.与现有的解开方法,强制独立的潜变量,我们考虑的一般情况下,潜在的利益因素可以是因果关系。我们发现,以前的方法与独立的先验未能解开因果相关的因素,即使在监督。基于这一发现,我们提出了一种新的解纠缠学习方法,称为DEAR,使因果可控生成和因果表示学习。这个新配方的关键成分是使用结构因果模型(SCM)作为双向生成模型的先验分布。然后,使用合适的GAN算法与关于地面实况因素及其潜在因果结构的监督信息结合,与生成器和编码器联合训练先验。我们提供了理论证明所提出的方法的可识别性和渐近收敛。我们进行了大量的实验,合成和真实的数据集,以证明的有效性,DEAR因果可控生成,和下游任务的样本效率和分布鲁棒性方面的学习表示的好处。
2022-08-24 cs.AI cs.LG stat.ML
Inferring Causal Direction from Observational Data: A Complexity Approach
University College London(伦敦大学学院);Novartis International AG(诺华国际股份公司)
从观测数据中学习因果结构的核心是一个看似简单的问题:给定两个统计相关的随机变量,哪一个对另一个有因果效应?这是不可能回答单独使用统计依赖检验,并要求我们作出额外的假设。我们提出了几个快速和简单的标准区分因果关系的离散或连续的随机变量对。它们背后的直觉是,使用原因变量预测结果变量应该比相反的情况“更简单”-不同的“简单性”概念产生不同的标准。我们证明的准确性的标准下产生的合成数据的因果机制和类型的噪声的一个广泛的家庭。
2020-10-12 cs.AI cs.LG stat.ML
Causal query in observational data with hidden variables
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
本文讨论了含隐变量观测数据的因果查询问题,目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下,寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应,对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而,现有的数据驱动的因果效应估计方法面临着一些主要的挑战,包括高维度数据的可扩展性差,由于全局因果结构学习算法使用的统计学而导致的估计精度低,以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中,我们开发了一个定理,使用本地搜索找到一个超集的调整(或混杂)变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理,我们提出了一个数据驱动的因果查询算法。实验表明,该算法比现有的数据驱动的隐变量因果效应估计方法更快,产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的,那些由国家的最先进的方法,使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
Causality Learning With Wasserstein Generative Adversarial Networks
University of Strathclyde(思克莱德大学)
由于组合搜索空间,从数据中学习因果结构的传统方法面临重大挑战。最近,这个问题已经被制定成一个连续的优化框架与无环约束学习有向无环图(DAG)。这样的框架允许利用深度生成模型进行因果结构学习,以更好地捕捉数据样本分布和DAG之间的关系。然而,到目前为止,还没有研究在因果结构学习的背景下使用Wasserstein距离进行实验。我们的模型名为DAG-WGAN结合了Wasserstein的对抗损失与自动编码器架构中的非循环约束。它同时学习因果结构,同时提高其数据生成能力。我们比较了DAG-WGAN与其他不涉及Wasserstein度量的模型的性能,以确定其对因果结构学习的贡献。根据我们的实验,我们的模型在高基数数据下表现得更好。
2022-06-03 cs.AI cs.LG stat.ME
Discovering Ancestral Instrumental Variables for Causal Inference from Observational Data
University of South Australia(南澳大学);Hefei University of Technology(合肥工业大学)
工具变量(IV)是一种强大的方法,即使在治疗和结果之间存在潜在的混杂因素时,也可以从观察数据中推断治疗对感兴趣结果的因果效应。然而,现有的IV方法需要选择IV并利用领域知识进行证明。无效的IV可能导致有偏估计。因此,发现一个有效的IV是至关重要的IV方法的应用。在本文中,我们研究和设计了一个数据驱动的算法,发现有效的IV数据下温和的假设。我们开发的理论的基础上部分祖先图(PAG),以支持搜索一组候选人的祖先IV(AIV),并为每个可能的AIV,其条件集的识别。在此基础上,我们提出了一个数据驱动的算法,从数据中发现一对IV。合成和真实世界的数据集上的实验表明,开发的IV发现算法估计准确的因果效应估计相比,国家的最先进的IV因果效应估计。
2022-06-04 cs.AI stat.ML
Estimating Causal Effects from Learned Causal Networks
University of California, Irvine(加利福尼亚大学欧文分校);Iowa State University(爱荷华州立大学)
提出直接从观测数据学习因果贝叶斯网络及混杂潜变量并应用PGM算法的模型补全方法,在大型模型上比传统估计量方法更有效地回答因果效应查询。
2024-08-27 cs.AI cs.LG
Causal Representation Learning with Observational Grouping for CXR Classification
Department of Computing, Imperial College London(帝国理工学院伦敦分校计算机系)
针对胸部X线疾病分类任务,本研究提出基于观测分组的因果表示学习端到端框架,通过强制对种族、性别、成像视角的不变性,提升了多分类任务的特征泛化性与鲁棒性。
2025-11-19 cs.AI cs.CV cs.LG
Federated Estimation of Causal Effects from Observational Data
National University of Singapore(新加坡国立大学);AWS AI Labs(AWS人工智能实验室);Harvard University(哈佛大学);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
许多现代应用程序收集联邦精神中的数据,数据保存在本地并且不公开。到目前为止,大多数对因果推断的洞察都需要将数据存储在中央存储库中。我们提出了一个新的框架与联邦数据源的因果推断。我们评估并整合来自不同私人数据源的本地因果效应,而无需集中它们。然后,使用经典潜在结局框架的非参数重新表述,从观察数据中估计受试者的处理效应。我们将潜在的结果建模为高斯过程分布的随机函数,其定义参数可以从多个数据源中有效地学习,尊重隐私约束。我们通过一组模拟和现实世界的基准测试的例子证明了所提出的方法的承诺和效率。
2021-05-31 cs.AI cs.CR cs.LG
Semi-Supervised Learning for Deep Causal Generative Models
University of Oxford(牛津大学);Imperial College London(伦敦帝国理工学院);University of Birmingham(伯明翰大学)
针对临床数据标签不全导致现有因果生成模型无法充分利用数据的问题,首次提出半监督深度因果生成模型,利用变量因果关系与因果推断技术处理缺失标签,可生成真实反事实结果,适配多种标签缺失场景。
2024-07-12 cs.AI cs.CV cs.LG
Modular Learning of Deep Causal Generative Models for High-dimensional Causal Inference
School of Electrical and Computer Engineering, Purdue University(普渡大学电气与计算机工程学院)
本文提出 Modular-DCM,通过模块化对抗训练并复用预训练条件生成模型,在潜在混杂下对高维数据的可识别因果查询进行可证明采样。
2024-10-27 cs.AI cs.IT cs.LG
Algorithmic Causal Deconvolution of Intertwined Programs and Networks by Generative Mechanism
Karolinska Institute(卡罗林斯卡学院);UCV(委内瑞拉中央大学)
复杂数据通常是由不同生成机制产生的对象之间的相互作用产生的。在这里,我们介绍了一个通用的,无监督的和无参数的面向模型的方法,基于算法概率的开创性概念,将观察分解为最有可能的算法生成源。我们的方法使用因果演算来推断模型表示。我们证明了它的能力,无论产生的对象是字符串,时空演化图,图像或网络的相互作用机制去卷积。虽然这主要是一个概念上的贡献和一个新的框架,我们提供了数值证据评估我们的方法分离的离散动力系统,如元胞自动机和复杂网络产生的观测数据的能力。我们认为,这些分离技术可以有助于应对因果关系的挑战,从而补充其他面向统计的方法。
2018-09-12 cs.AI nlin.CG
A pipeline for enabling path-specific causal fairness in observational health data
Department of Biomedical Informatics(生物医学信息学系);Columbia University(哥伦比亚大学);Big Data Institute(大数据研究所);University of Oxford(牛津大学)
本文提出了一种通用管道,用于训练能够解决直接和间接医疗偏见的因果公平机器学习模型。
2026-01-17 cs.AI cs.LG
GFlowCausal: Generative Flow Networks for Causal Discovery
National University of Singapore(新加坡国立大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室)
因果发现旨在揭示一组变量之间的因果结构。基于得分的方法主要集中在搜索最佳的有向无环图(DAG)的基础上预定义的得分函数。然而,由于搜索能力有限,它们中的大多数都不适用于大规模。受生成流网络中主动学习的启发,我们提出了一种新的方法来学习一个DAG从观测数据称为GFlowCausal。它将图的搜索问题转化为生成问题,在生成问题中,直接边是逐渐增加的。GFlowCausal的目标是学习最佳策略,通过顺序动作生成高回报的DAG,其概率与预定义的奖励成比例。我们提出了一个基于传递闭包的即插即用模块,以确保有效的采样。理论分析表明,该模块能有效地保证图的无环性和最终状态与全连通图的一致性。我们在合成和真实数据集上进行了广泛的实验,结果表明所提出的方法是优越的,在大规模环境中也表现良好。
2023-03-10 cs.AI cs.LG
Causal Inference in Observational Data
University of Minnesota(明尼苏达大学);Mayo Clinic(梅奥诊所)
我们的老龄化人口越来越多地同时患有多种慢性疾病,需要对这些疾病进行综合治疗。为一组组合疾病寻找最优药物组是一个组合模式探索问题。关联规则挖掘是一种流行的工具,这样的问题,但医疗保健的需求,寻找因果关系,而不是关联,模式使得关联规则挖掘不适合。为了解决这个问题,我们提出了一个新的框架的基础上Rubin-Neyman因果模型从观测数据中提取因果规则,纠正一些常见的偏见。具体地说,给定一组干预措施和一组定义亚群的项目(例如,疾病),我们希望找到其中存在有效干预组合的所有亚群,并且在每个这样的亚群中,我们希望找到所有干预组合,使得从该组合中丢弃任何干预将降低治疗的功效。我们的框架的一个关键方面是封闭的干预集的概念,它扩展了量化单个干预的效果的概念,一组并发的干预。我们还评估了我们的因果规则挖掘框架的电子健康记录(EHR)数据的一个大队列的患者从梅奥诊所,并表明,我们提取的模式是足够丰富的解释有争议的发现在医学文献中的一类胆固醇药物对II型糖尿病(T2 DM)的影响。
2016-11-15 cs.AI stat.AP
Causal Direct Preference Optimization for Distributionally Robust Generative Recommendation
Northeastern University, Shenyang, China(东北大学,沈阳,中国);Shenzhen Campus of Sun Yat-sen University, China(中山大学深圳校区,中国)
针对直接偏好优化(DPO)在生成式推荐中放大环境混杂因素导致的虚假相关性问题,提出CausalDPO,通过因果不变性学习、后门调整和软聚类环境建模来提升分布外泛化性能。
2026-05-27 cs.AI cs.IR
Multi-Method Causal Evidence Synthesis: Ranking Candidate Drivers by Convergent Cross-Method Evidence from Observational Data
Tricon Infotech(特里康信息科技公司)
该研究提出MCES框架,通过汇集8种数学传统的11种因果方法的收敛证据得分,对观测数据中候选驱动因素与结果的相关性排名,为无单一最优方法的场景提供方法无关的默认方案。
2026-08-21 cs.AI stat.ME
Towards Interpretable Deep Generative Models via Causal Representation Learning
Department of Statistics, Rutgers University(统计学系,罗格斯大学);Booth School of Business, University of Chicago(商学院,芝加哥大学)
本文提出通过因果表示学习实现可解释的深度生成模型,结合潜变量模型、因果图模型和非参数统计,旨在提升生成模型的可解释性和迁移能力。
2026-01-26 cs.AI cs.LG stat.ME
Beyond Interleaving: Causal Attention Reformulations for Generative Recommender Systems
Linkedin Inc(LinkedIn公司)
本文提出两种新型架构AttnLFA和AttnMVP,通过显式建模物品-动作因果依赖,提升生成推荐系统的效率与性能。
2026-03-11 cs.AI cs.IR
Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
The University of Tokyo(东京大学);Mizuho-DL Financial Technology Co., Ltd.(瑞穗-DL金融科技有限公司);NP-hard
针对生成式AI环境下营销数据缺失问题,提出GMMM因果推断框架,结合GEO与GEM数据估计业务影响,并通过英日模拟验证其性能。
2026-09-11 cs.AI cs.LG econ.EM
Federated Causal Inference from Observational Data
National University of Singapore(新加坡国立大学)
本文提出一个从去中心化数据源估计因果效应的隐私保护联邦框架,包含基于高斯过程的FedCI、自适应迁移算法CausalRFF和处理缺失数据的CausalFI三种实例,有效应对分布差异与缺失值带来的偏差。
2024-05-30 cs.AI cs.LG stat.ME
A General Causal Inference Framework for Cross-Sectional Observational Data
School of Artificial Intelligence, Jilin University(吉林大学人工智能学院)
针对观测数据去混杂方法中朴素假设的局限,本文提出通用因果推断(GCI)框架,通过有向无环图识别关键混杂协变量并结合去混杂推断,显著提升了因果效应估计的精确性、稳定性和可解释性。
2024-04-28 cs.AI cs.LG stat.ME
A primer on optimal transport for causal inference with observational data
Emory University(埃默里大学)
本综述介绍最优运输与观察性数据因果效应识别的深层联系,指出因果推断基础模型隐含依赖最优运输原理,旨在统一多领域语言符号并探索两领域未来研究方向。
2026-08-10 cs.AI econ.EM stat.ME
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University(耶鲁大学生物统计学系);Department of Statistics, Stanford University(斯坦福大学统计学系)
CausalBGM通过学习个体特定的低维潜在特征集,提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
Generative Synthetic Data for Causal Inference: Pitfalls, Remedies, and Opportunities
University of California, Berkeley(加州大学伯克利分校)
本文探讨生成合成数据在因果推断中的局限性,提出混合合成数据框架以提升因果效度,通过实验验证其在不同场景下的优势。
2026-07-17 cs.AI stat.ME stat.ML
Counterfactual Generative Modeling with Variational Causal Inference
University of California, Berkeley(加州大学伯克利分校);Genentech(基因泰克公司)
针对高维结果下个体反事实预测难题,提出变分贝叶斯因果推断框架,无需反事实样本即可端到端监督并解耦外生噪声,在多个基准上优于现有方法。
2025-03-18 cs.AI cs.LG math.ST
Generative Learner for Distributional Causal Effects
Stanford University(斯坦福大学);University of Chicago(芝加哥大学);George Mason University(乔治梅森大学)
本研究提出一种生成式学习器,可估计异质处理效应并表征因果效应完整分布,经实验其样本外均方误差较多种基准方法提升超70%,还被应用于Gaia DR3恒星数据以验证斯特藩-玻尔兹曼定律。
2026-11-03 astro-ph.GA astro-ph.SR cs.AI
Causal Robot Communication Inspired by Observational Learning Insights
Colorado School of Mines(科罗拉多矿业学院);George Mason University(乔治梅森大学);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
自主机器人必须交流他们的决定,以获得信任和接受。当这样做时,机器人必须确定哪些行为是因果关系,即,直接导致预期结果,因此这些行为可以包含在解释中。在心理学的行为学习中,这种在动作序列中的推理在模仿学习的背景下得到了广泛的研究。然而,这些技术和经验见解很少应用于人机交互(HRI)。在这项工作中,我们讨论了机器人意图通信的行为学习见解的相关性,并提出了这些见解的第一个应用程序的机器人,以有效地传达其意图,有选择地解释在一个动作序列的因果动作。
2022-03-17 cs.AI cs.HC cs.RO
Generative Framework for Personalized Persuasion: Inferring Causal, Counterfactual, and Latent Knowledge
KDDI Research, Inc.(KDDI研究所);Carnegie Mellon University(卡内基梅隆大学);MBZUAI(穆桑人工智能研究院)
本文提出基于因果发现和反事实推断的个性化说服对话生成框架,将心理构造等视为潜在因子并有效估计,通过优化系统响应策略显著提升了说服效果。
2025-05-28 cs.AI cs.CL cs.HC
Conditional Generative Models are Sufficient to Sample from Any Causal Effect Estimand
Purdue University(普渡大学);University of Texas at Austin(德克萨斯大学奥斯汀分校)
针对含未观测混杂因子的高维因果图中干预分布采样难的问题,提出基于条件生成模型前推计算的采样算法,在多数据集上验证了其有效性与应用价值。
2024-10-31 cs.AI cs.LG stat.ME
Estimating Causal Effects in Gaussian Linear SCMs with Finite Data
Department of Computer Science, Columbia University NY 10025(计算机科学系,哥伦比亚大学)
本文提出中央化高斯线性结构因果模型,通过改进的EM算法在有限数据下有效估计因果效应。
2026-01-08 cs.AI cs.LG stat.ML
Towards a Transportable Causal Network Model Based on Observational Healthcare Data
University of Milano - Bicocca(米兰比可卡大学);Fondazione IRCCS Istituto Nazionale dei Tumori(意大利国家肿瘤研究所(IRCCS基金会));F. Hoffmann - La Roche Ltd(罗氏公司);University of Twente(特文特大学);Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA)(达勒·莫勒人工智能研究所(IDSIA))
提出结合选择图、缺失图、因果发现与先验知识的新方法构建因果网络模型,解决观察性医疗数据偏差问题,实现可迁移性,在年轻乳腺癌女性心血管风险评估上优于竞争机器学习方法。
2023-11-20 cs.AI cs.LG stat.ME
Group invariance principles for causal generative models
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Max Planck Institute for Biological Cybernetics(马克斯·普朗克生物控制论研究所)
原因和机制独立性(ICM)的假设最近导致了几个新的因果发现算法。然而,对独立性的解释及其使用方式在这些方法中各不相同。我们在本文中的目的是提出一个群理论框架ICM统一和推广这些方法。在我们的设置中,原因机制的关系进行评估,通过比较它对一个原假设通过随机通用组转换的应用。我们表明,群论观点提供了一个非常通用的工具来研究数据生成机制的结构,并直接应用于机器学习。
2017-05-05 cs.AI cs.LG math.ST
FoundCause: Causal Discovery with Latent Confounders from Observational Data
Amazon Web Services(亚马逊云服务);Department of Statistics, University of California, Davis(加州大学戴维斯分校统计系)
提出FoundCause,一种基于合成数据训练的摊销因果发现模型,通过单次前向传递直接映射数据集到因果图,显式建模隐混淆因子,在15个真实数据集上优于11种非摊销和4种摊销方法。
2026-06-17 cs.AI cs.LG stat.ME