Scalable Causal Domain Adaptation
Purdue University(普渡大学);Kalinga Institute of Industrial Technology(卡林加工业技术学院);University of South Carolina(南卡罗来纳大学)
迁移学习中最关键的问题之一是领域自适应的任务,其目标是将在一个或多个源域中训练的算法应用于不同(但相关)的目标域。本文研究了当跨域不变性存在时,存在协变量偏移的领域自适应问题。现有的因果推理方法解决这个问题的主要限制之一是可扩展性。为了克服这一困难,我们提出了SCTL,一种算法,避免了穷举搜索,并确定不变的因果特征跨源和目标域的基础上马尔可夫毯发现。SCTL不需要事先了解因果结构、干预类型或干预目标。存在与SCTL相关联的内在局部性,这使得它实际上是可扩展的和鲁棒的,因为局部因果发现增加了计算独立性测试的能力,并且使得领域自适应的任务在计算上易于处理。我们展示了SCTL的可扩展性和鲁棒性的领域自适应使用合成和真实的数据集在低维和高维设置。
2021-12-07 cs.AI cs.LG stat.ML
Scalable Temporal Anomaly Causality Discovery in Large Systems: Achieving Computational Efficiency with Binary Anomaly Flag Data
Department of ICT, University of Agder(阿格德大学信息与通信技术系);The CMS Experiment, CERN(欧洲核子研究中心(CERN)CMS实验)
本文提出了一种异常因果发现方法(AnomalyCD),旨在解决从时间二进制标志数据集生成图形因果模型(GCMs)的准确性和计算挑战,通过异常数据感知的因果测试、稀疏数据和先验链接压缩以及边修剪调整等策略,提高了计算效率和准确性。
2026-06-04 cs.LG stat.ML
Scalable Differentiable Causal Discovery in the Presence of Latent Confounders with Skeleton Posterior (Extended Version)
HKUST(香港科技大学);Microsoft Research(微软研究院);Shanghai Jiao Tong University(上海交通大学)
针对潜在混杂因素下可微MAG学习难以扩展的问题,提出SPOT两阶段框架,通过SCL摊销推断骨架后验,并以其引导随机优化,从而缩小搜索空间并提升因果发现性能。
2024-06-15 cs.AI cs.LG stat.ML
Scalable Causal Structure Learning: Scoping Review of Traditional and Deep Learning Algorithms and New Opportunities in Biomedicine
University of Texas Health Science Center at Houston(德克萨斯大学休斯顿健康科学中心);Emory University School of Medicine(埃默里大学医学院)
因果结构学习是指从观察数据中识别因果结构的过程,它在生物医学和医疗保健中有多种应用。本文提供了一个实用的回顾和教程,可扩展的因果结构学习模型与现实世界的数据的例子,以帮助医疗保健受众理解和应用它们。我们回顾了因果结构发现的传统方法(组合方法和基于分数的方法)和基于机器学习的方案。我们还强调了生物医学的最新发展,其中因果结构学习可以应用于发现基因网络,大脑连接网络和癌症流行病学等结构。我们还比较了传统的和基于机器学习的因果发现算法在一些基准数据集上的性能。基于机器学习的方法(包括深度学习)相对于传统方法具有许多优点,例如可扩展性,包括更大数量的变量,并且如果有足够的数据可用,则潜在地应用于广泛的生物医学应用,例如遗传学。此外,这些模型比传统模型更灵活,并有望在未来对许多应用产生积极影响。
2023-01-18 cs.LG stat.AP
Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR
针对分层结构因果模型,本文开发了一套连接符号识别与实际估计的可扩展开源管道,经验证后应用于STAR项目,发现扁平基线无法编码班级干预,符号识别需结合可扩展估计与数值稳定性检查。
2026-08-26 cs.AI stat.ML
Scalable Variational Causal Discovery Unconstrained by Acyclicity
Applied Artificial Intelligence Institute (A2I2)(应用人工智能研究所(A2I2));Deakin University(迪肯大学)
本研究提出一种不受无环性约束的可扩展贝叶斯因果发现方法,通过新颖的可微DAG采样将隐式拓扑顺序的无约束分布映射到DAG分布,利用变分推理高效学习因果图后验,在模拟与真实数据上表现优越。
2024-08-29 cs.AI 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
Scalable Linear Causal Inference for Irregularly Sampled Time Series with Long Range Dependencies
UC Berkeley(加州大学伯克利分校);Inst. of Transportation Studies(交通研究所)
线性因果分析是金融、物理科学和工程等广泛重要应用的核心。现有的线性因果分析的文献大多是在时域中进行的。不幸的是,时域线性因果分析的直接应用到许多现实世界的时间序列提出了三个关键的挑战:不规则的时间采样,长范围的依赖性,和规模。此外,现实世界的数据往往是在不规则的时间间隔收集在分散的传感器和大范围的依赖关系,使天真的时域相关估计虚假的巨大阵列。在本文中,我们提出了一个基于频域的估计框架,自然处理不规则的采样数据和长范围的依赖关系,同时使内存和通信有效的分布式处理的时间序列数据。通过在频域中操作,我们消除了插值的需要,并有助于减轻长范围依赖性的影响。我们使用Apache Spark在分布式环境中实现和评估我们的新工作流程,并在Monte Carlo模拟和高频金融交易中证明我们可以准确地恢复因果结构。
2016-03-10 cs.LG stat.ME
Scalable Causal Discovery from Recursive Nonlinear Data via Truncated Basis Function Scores and Tests
Department of Philosophy(哲学系);Carnegie Mellon University(卡内基梅隆大学);Department of Psychiatry & Behavioral Sciences(精神病学与行为科学系);University of Minnesota(明尼苏达大学)
针对非线性数据因果发现难扩展的问题,提出BF-BIC评分与BF-LRT检验两种基函数展开工具,在保证准确性的同时大幅提升计算效率,实现可扩展且可解释的因果发现。
2025-11-04 cs.AI stat.ML
ARCADIA: Scalable Causal Discovery for Corporate Bankruptcy Analysis Using Agentic AI
Department of Economics, Statistics and Business, Universitas Mercatorum, Rome, Italy(经济学、统计学与商业系,墨菲大学,罗马,意大利);Department of Engineering and Science, Universitas Mercatorum, Rome, Italy(工程与科学系,墨菲大学,罗马,意大利);Independent Researcher, Bucharest, Romania(独立研究者,布加勒斯特,罗马尼亚)
ARCADIA通过代理AI结合大语言模型和统计诊断,实现企业破产分析中的可扩展因果发现,提供可靠且可解释的因果图模型。
2025-11-30 cs.AI stat.CO stat.ME
Knowledge-Informed Local Causal Discovery of Optimal Adjustment Sets
universite-paris-saclay(巴黎萨克雷大学)
针对局部因果发现难以在数据稀缺时识别有效调整集的问题,提出b-LOAD算法,将先验边约束融入局部结构学习,动态扩展发现边界,可扩大可识别因果查询集,提升因果效应估计。
2026-07-07 cs.LG stat.ML
Efficient Symbolic Computations for Identifying Causal Effects
Max Planck Institute for Mathematics in the Sciences(马克斯·普朗克数学研究院);Binghamton University(宾夕法尼亚州立大学布林茅尔分校);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院)
本文提出高效算法解决因果效应的符号计算问题,通过准多项式时间找到最低次识别公式,克服传统Gröbner基方法的计算瓶颈。
2026-04-22 cs.LG stat.ML
A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
Department of Mechanical and Industrial Engineering(机械与工业工程系)
本文提出结合基于树的离散化技术与基于整数线性规划的匹配算法,以提升因果推断中的计算效率和ATT估计的准确性。
2026-05-06 cs.LG stat.ML
Scalable Causal Structure Learning via Amortized Conditional Independence Testing
Carnegie Mellon University(卡内基梅隆大学);University of Michigan(密歇根大学);Memorial Sloan Kettering Cancer Center(纪念斯隆-凯特琳癌症中心)
SCSL通过 amortized 条件独立检验实现可扩展的因果结构学习,有效控制 Type I 错误并应用于癌症数据集揭示基因突变与组织转移的关系。
2025-12-25 stat.AP stat.ME
Relaxed Sparsest-Permutation Formulation for Causal Discovery at Scale
Department of Statistics(统计学系);Seoul National University(首尔国立大学);Department of Statistics and Applied Probability(统计学与应用概率系);University of California Santa Barbara(加州大学圣芭芭拉分校);Scientific Data Division(科学数据部);Lawrence Berkeley National Laboratory(伯克利国家实验室);Interdisciplinary Program in Artificial Intelligence(人工智能跨学科项目);Institute for Data Innovation in Science(科学数据创新研究所)
本文提出一种放宽的稀疏排列方法,用于大规模因果发现,通过稀疏三角因子在精度支持筛查图上进行搜索,提高了计算效率和可扩展性。
2026-05-07 cs.LG stat.ML
Scalable Time-Series Causal Discovery with Approximate Causal Ordering
Department of Computing(计算系)
本文提出一种省略迭代细化的 VarLiNGAM 启发式近似方法,将时间复杂度从 $O(m^3n)$ 降至 $O(m^2n + m^3)$,在多达 400 变量的金融数据上实现 7--13 倍加速,使大规模时间序列因果发现可在个人计算机上运行。
2025-08-21 cs.DC cs.LG cs.PF
Estimating Bidirectional Causal Effects with Large Scale Online Kernel Learning
Japan Society for the Promotion of Science(日本学术振兴会)
提出一种可扩展的在线核学习框架,结合异方差识别和拟极大似然估计,用于估计存在相互依赖和异方差系统中的双向因果效应,并通过随机傅里叶特征和自适应在线梯度下降实现高效计算。
2026-06-02 cs.LG stat.ME stat.ML
Effects of Distributional Biases on Gradient-Based Causal Discovery in the Bivariate Categorical Case
TUM(慕尼黑技术大学);Ruhr University Bochum(博德姆鲁尔大学);Institute for Neural Computation, Faculty for Computer Science(神经计算研究所,计算机科学学院)
该研究识别出双变量分类场景下影响基于梯度的因果发现的两类分布偏差,验证了相关模型易受其影响,提出消除因果分解竞争可提升模型鲁棒性。
2025-09-01 cs.LG stat.ML
QWO: Speeding Up Permutation-Based Causal Discovery in LiGAMs
College of Management of Technology(技术管理学院);EPFL(洛桑联邦理工学院);School of Computer and Communication Sciences(计算机与通信科学学院)
针对LiGAMs中基于排列的因果发现方法计算复杂度高、不可扩展的问题,提出QWO方法将给定排列下的DAG计算效率提升O(n²),理论可靠且可集成到现有搜索策略中优化性能。
2024-10-30 cs.LG stat.ME stat.ML
Marrying Causal Representation Learning with Dynamical Systems for Science
Institute of Science and Technology Austria(奥地利科学技术研究所)
本文将因果表示学习与动力系统相结合,利用可辨识方法和可微求解器构建既可辨识又实用的模型,分离轨迹特定参数以支持分布外分类等下游任务,并在风模拟器和气候数据上验证了有效性。
2025-02-03 cs.LG stat.ML
Fairness-Driven LLM-based Causal Discovery with Active Learning and Dynamic Scoring
Rice University(莱斯大学)
针对因果发现算法可扩展性不足的问题,提出结合广度优先搜索、主动学习和动态评分的LLM因果发现框架,提升了公平性驱动的因果发现的效率与准确性。
2025-03-21 cs.AI cs.LG stat.ML
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
dotears: Scalable, consistent DAG estimation using observational and interventional data
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文提出dotears连续优化框架,结合观测与干预数据,在温和假设下一致地估计线性SEM的DAG结构,并在模拟和真实基因调控网络推断中优于现有方法。
2024-02-20 cs.LG stat.ML
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断,算法设计和数值计算。该领域旨在开发专门从事因果推断的软件,这些软件可以以高性能,通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性,并使因果推断能够容易地集成到大型工程系统中。特别是,我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域,需求,可扩展性的机会,开放的挑战,并开始讨论社区如何能够团结起来,以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Efficient Causal Discovery for Autoregressive Time Series
Bloomberg(彭博)
本研究提出一种针对非线性自回归时间序列的基于约束的新算法,显著降低了计算复杂度,在合成数据集上表现优于现有方法且适用于有限数据场景,为高效准确的因果推断提供了实际应用潜力。
2025-07-10 cs.LG stat.AP
Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data
University of Connecticut Storrs(康涅狄格大学斯托尔分校);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
针对纵向生存数据中罕见事件导致的类不平衡和计算负担问题,提出一种可扩展的子采样与重加权策略,应用于ICE等因果效应估计器,在保持一致性的同时提高稳定性。
2026-06-01 cs.LG stat.ME
Local Causal Discovery for Statistically Efficient Causal Inference
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(奈梅亨拉德堡德大学);Saarland University(萨尔大学)
本文提出LOAD方法,结合局部方法的高效性与全局方法的统计最优性,实现高效准确的因果调整集发现。
2026-03-31 cs.AI cs.LG stat.ML
Geometric Causal Models
Department of Chemistry, Technical University of Denmark(丹麦技术大学化学系);Departments of Statistics and Computer Science, Columbia University(哥伦比亚大学统计学与计算机科学系)
针对非独立同分布结构化数据的因果推断难题,提出利用数据生成过程内在对称性的几何因果模型框架,结合群论、遍历理论与几何深度学习实现因果识别与估计。
2026-07-14 cs.LG q-bio.BM stat.ML
SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(奈梅亨拉德堡德大学)
针对多变量因果发现计算需求高的问题,提出SNAP框架序贯剪枝目标的确定非祖先,可作为预处理或独立算法,大幅减少计算量与检验次数,且不影响因果效应估计质量。
2025-02-11 cs.AI cs.LG stat.ML
A Fast Kernel-based Conditional Independence test with Application to Causal Discovery
University of Hamburg(汉堡大学)
本文提出FastKCI,一种基于核的快速条件独立性检验方法,通过并行化和专家混合策略提升计算效率,适用于大规模因果发现任务。
2025-12-04 cs.AI cs.LG stat.ML
Optimizing Feature Selection in Causal Inference: A Three-Stage Computational Framework for Unbiased Estimation
Northeastern University(东北大学)
提出增强的三阶段计算框架优化因果推断中的特征选择,通过减少处理相关变量和虚假变量的影响来降低偏差与方差,并在合成数据和真实阿片类药物政策数据上验证了其优越性与可扩展性。
2025-02-01 cs.AI cs.LG stat.ME
Causal Discovery in Multivariate Time Series through Mutual Information Featurization
Machine Learning Group, Computer Science Department, Universite' Libre de Bruxelles(布鲁塞尔自由大学计算机科学系机器学习小组)
本文提出TD2C框架,将因果发现从统计检验转为模式识别,利用信息论特征监督学习,在合成数据训练后零样本泛化,高维非线性场景性能领先。
2025-08-03 cs.LG stat.ME stat.ML
CausalGame: Benchmarking Causal Thinking of LLM Agents in Games
MBZUAI(穆罕默德·本·扎耶德人工智能大学);Carnegie Mellon University(卡内基梅隆大学);Hong Kong Baptist University(香港浸会大学);University of Oxford(牛津大学);New York University, Abu Dhabi(纽约大学阿布扎比分校)
研究旨在通过因果游戏基准测试大语言模型智能体的因果思维能力,让智能体设计实验、收集数据并给出解决方案。设计含多种挑战的场景,发现当前智能体因果思维能力欠佳,为评估提供了测试平台。
2026-07-07 cs.AI cs.CL cs.LG
Propensity Patchwork Kriging for Scalable Inference on Heterogeneous Treatment Effects
Graduate School of Economics, Keio University(庆应义塾大学经济学研究科);Faculty of Economics, Keio University(庆应义塾大学经济学部)
本研究提出一种基于倾向评分的拼图克里格法,用于高效估计异质处理效应,通过减少计算成本并保持估计连续性,提升因果推断的可扩展性。
2025-12-29 stat.ME
Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
Princeton University(普林斯顿大学);Peking University(北京大学);Rutgers University(罗格斯大学)
本文证明异质环境下不变因果预测的判定问题是NP-hard的,导致计算高效算法的估计误差率任意缓慢;并在附加条件下提出一种兼具计算与统计高效性的分布鲁棒估计方法。
2025-01-29 cs.LG math.ST stat.ME
A Computational Theory for Efficient Mini Agent Evaluation with Causal Guarantees
Institute of Computing Technology Chinese Academy of Sciences(计算技术研究所中国科学院)
针对智能体评估成本高的问题,提出带因果保证的迷你智能体评估计算理论,构建评估模型并设计元学习器,大幅降低评估误差与时间。
2025-05-16 cs.AI cs.LG math.ST
Scalable Matrix-valued Kernel Learning for High-dimensional Nonlinear Multivariate Regression and Granger Causality
IBM Research(IBM研究院);Istituto Italiano di Tecnologia(意大利理工学院)
本文提出了一个通用的矩阵值多核学习框架,用于高维非线性多元回归问题。这个框架允许一个广泛的混合范数正则化,包括那些诱导稀疏性,被施加在向量值再生核希尔伯特空间的字典。我们开发了一个高度可扩展的和eigendecomposition免费的算法,编排两个不精确的求解器,同时学习可分离矩阵值内核的输入和输出组件。作为我们的框架启用的一个关键应用程序,我们展示了高维因果推理任务如何自然地转换为稀疏函数估计问题,从而导致一类图形格兰杰因果关系技术的新的非线性扩展。我们的算法的发展和广泛的实证研究的补充,理论分析方面的Rademacher推广的界限。
2014-08-09 cs.LG stat.ML
Causal Inference with Unobserved Confounding: A Mixture Learning Perspective
Massachusetts Institute of Technology(麻省理工学院)
本文提出混合学习视角,将潜在混杂视为异质性来源,通过恢复混合分布与分量机制,实现干预分布和因果估计量的估计,并连接高维混合学习与因果推断。
2026-09-22 cs.LG eess.SP stat.CO
Scalable Matrix-valued Kernel Learning for High-dimensional Nonlinear Multivariate Regression and Granger Causality
IBM Research(IBM研究院);Italian Institute of Technology(意大利理工学院)
本文提出了一个通用的矩阵值多核学习框架,用于高维非线性多元回归问题。这个框架允许一个广泛的混合范数正则化,包括那些诱导稀疏性,被施加在向量值再生核希尔伯特空间的字典。我们开发了一个高度可扩展的和eigendecomposition免费的算法,编排两个不精确的求解器,同时学习可分离矩阵值内核的输入和输出组件。作为我们的框架启用的一个关键应用程序,我们展示了如何高维的因果推断任务可以自然地铸造稀疏函数估计问题,导致一类图形格兰杰因果关系技术的新的非线性扩展。我们的算法的发展和广泛的实证研究的补充Rademacher泛化界方面的理论分析。
2013-03-08 cs.LG stat.ML
Linear-Time Primitives for Algorithm Development in Graphical Causal Inference
Institute for Theoretical Computer Science(理论计算机科学研究所);Department of Mathematical Sciences(数学科学系);School of Mathematics and Statistics(数学与统计学学院)
本文提出CIfly框架,将因果推理任务转化为可达性操作,以线性时间运行,替代道德化和潜在投影,提供高效开源实现,并支持工具变量等新算法开发。
2025-06-18 cs.AI cs.DS cs.LG
Explainable Federated Bayesian Causal Inference and Its Application in Advanced Manufacturing
Northeastern University(东北大学);University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
针对制造系统中因果推断应用不足与数据隐私问题,提出可解释联邦贝叶斯框架 xFBCI,利用本地后验估计倾向得分并以 PSM 估计处理效应,在多数据集和 EHD 打印数据上优于现有方法。
2025-01-10 cs.LG stat.AP
Causal Inference Using Tractable Circuits
University of California, Los Angeles(加州大学洛杉矶分校)
本文的目的是讨论最近的一个结果表明,概率推理(未知)的因果机制的存在下,传统上被视为棘手的模型可以是易处理的。这一结果最近被报道,以促进基于模型的监督学习,但它可以解释在因果关系的上下文中如下。人们可以将非参数因果图编译成算术电路,该算术电路支持在电路大小中时间线性的推断。该电路也是非参数的,因此它可以用于从数据中估计参数,并进一步推理(在线性时间内)由这些估计参数化的因果图。此外,电路的大小有时可以是有界的,甚至当因果图的树宽不是,导致在模型上的易处理的推理,以前被认为是棘手的。这已经通过一种新技术实现,该技术可以在计算上利用因果机制,但不需要知道它们的身份(因果推理中的经典设置)。我们的目标是提供一个以因果关系为导向的暴露这些新的结果,并推测它们如何可能有助于更可扩展和通用的因果推理。
2022-02-07 cs.AI cs.CC cs.LG
Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients
CNRS(法国国家科学研究中心);Institut Curie(居里研究所);Université PSL(巴黎文理研究大学);Sorbonne Université(索邦大学);INSERM(法国国家健康与医学研究院);Université Paris(巴黎大学)
发现因果效应是科学研究的核心,但当只有观测数据时,仍然具有挑战性。在实践中,因果网络很难学习和解释,并且仅限于相对较小的数据集。我们报告了一种更可靠和可扩展的因果发现方法(iMIIC),基于一般的互信息上确界原理,该方法大大提高了推断因果关系的精度,同时区分了真正的原因和假定的潜在因果效应。我们展示了来自美国监测,流行病学和最终结果计划的396,179名乳腺癌患者的合成和现实生活中的医疗数据。90%以上的预测因果效应似乎是正确的,而其余的意外直接和间接因果效应可以从诊断程序、治疗时机、患者偏好或社会经济差异方面进行解释。iMIIC的独特能力为在一系列研究领域发现可靠和可解释的因果网络开辟了新的途径。
2023-03-11 cs.LG physics.data-an q-bio.MN
Causal Discovery over High-Dimensional Structured Hypothesis Spaces with Causal Graph Partitioning
University of Chicago(芝加哥大学)
本文提出一种基于超结构划分搜索空间的新颖因果图划分方法,实现分而治之的因果发现,在保证理论正确性的同时,大幅提升了高维变量(高达${10^4}$)下因果发现的求解效率。
2025-03-03 cs.DC cs.LG stat.ME
Accessible Computation of Tight Symbolic Bounds on Causal Effects using an Intuitive Graphical Interface
强不可检验假设在因果点估计中几乎是普遍存在的。在特定的设置中,可以推导出边界以缩小因果效应的可能范围。符号界限适用于所有可以使用相同的有向无环图(DAG)描述的设置,并用于相同的感兴趣效果。虽然推导符号界限的方法的核心以前已经开发,实施和计算的手段一直缺乏。我们的R-包causoptim旨在通过实现Sachs等人的方法来解决这个可用性问题。(2022 a)并通过shiny为用户提供图形界面,允许以大多数对因果推断感兴趣的研究人员熟悉的方式输入; DAG(通过点击体验)并使用熟悉的反事实符号指定感兴趣的因果效应。
2022-09-08 stat.CO
Centroid-Referenced Mahalanobis Matching (CRM): A Scalable, Representation-Based Framework for Causal Inference in Large Observational Studies
Target Corporation(塔吉特公司)
针对大规模观察性研究因果推断的匹配方法存在成本高、重叠有限时改变目标总体的问题,本文提出CRM框架,其计算成本低、保留处理单元比例高、平衡表现优且速度快,贡献在于可扩展性与显式支撑诊断。
2026-08-20 stat.ME
Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
University of California, San Francisco(加利福尼亚大学旧金山分校);University of Michigan, Ann Arbor(密歇根大学安娜堡分校);University of Washington, Seattle(华盛顿大学西雅图分校)
本研究提出专家引导g计算法(egg-computation),结合专家判断与LLM技术,用于估计医院干预措施对平均住院时长的因果效应,在模拟和真实医院数据中表现优于传统方法。
2026-08-12 cs.AI stat.AP stat.ME
A Fast Bootstrap Algorithm for Causal Inference with Large Data
从大量的实验和观测数据中估计因果效应在工业和研究中变得越来越普遍。自助法是一种直观而强大的技术,用于构造估计量的标准误和置信区间。然而,其应用在涉及大数据的设置中可能要求过高。此外,基于机器学习和优化技术的现代因果推断估计器加剧了自举的计算负担。小靴带袋已被提出在非因果设置为大数据,但尚未被应用于评估因果效应的估计的属性。在本文中,我们介绍了一个新的引导算法称为因果袋的小引导因果推断与大数据。新算法在提供相合估计和理想的置信区间覆盖率的同时,显著提高了传统Bootstrap算法的计算效率。我们描述了它的属性,提供实际的考虑,并评估所提出的算法的性能方面的偏见,覆盖率的真实95%的置信区间,和计算时间在模拟研究。我们使用来自妇女健康倡议的大量观察数据集,将其应用于激素治疗对冠心病平均发病时间的影响的评估。
2023-02-06 stat.AP stat.ME stat.ML
Auto-G-Computation of Causal Effects on a Network
推断平均因果效应的方法传统上依赖于两个关键假设:(i)一个单位接受的干预不能对另一个单位的结果产生因果影响;(ii)单位可以被组织成非重叠的组,使得单独组中单位的结果是独立的。在本文中,我们开发了新的统计方法,因果推断的基础上,一个单一的实现网络的连接单元,既不假设(i)和(ii)举行。所提出的方法允许任意形式的干扰,由此单元的结果可以取决于通过连接单元的网络路径与其存在的其他单元接收的干预;以及长距离依赖性,由此同样通过网络中的路径连接的任何两个单元的结果可以是依赖的。在网络版本的一致性和没有未观察到的混淆,推理是通过假设网络的结果,治疗和协变量向量是一个单一的实现一定的链图模型。该假设允许通过自动g计算算法来推断各种网络因果效应,自动g计算算法是先前针对假设(i)和(ii)下的因果推断描述的Robins的众所周知的g计算算法的网络推广。
2019-08-22 stat.ME
From Causal Pairs to Causal Graphs
UNC Charlotte(北卡罗来纳大学夏洛特分校)
从观测数据中学习因果结构仍然是一个不平凡的任务,由于各种因素,如有限的采样,未观察到的混杂因素,测量误差。基于约束和基于分数的方法往往遭受高计算复杂性,由于估计的有向无环图(DAG)的组合性质。受“因果对”NIPS 2013因果挑战研讨会的启发,在本文中,我们采取了不同的方法,并在所有可能的图形上生成概率分布,这些图形由响应研讨会挑战而提出的因果对特征提供信息。本文的目标是提出基于这种概率信息的新方法,并将其性能与传统和最先进的方法进行比较。我们的实验,在合成和真实数据集上,表明我们提出的方法不仅具有统计相似或更好的性能比一些传统的方法,而且计算速度更快。
2022-11-08 cs.AI cs.LG stat.ME
Bayesian semi-parametric G-computation for causal inference in a cohort study with MNAR dropout and death
用观测的纵向数据和随时间变化的暴露量进行因果推断常常由于时间依赖的混杂和损耗而变得复杂。G计算公式是估计这种情况下因果效应的一种方法。在实践中通常使用的参数建模方法依赖于强建模假设来进行有效推断,并且还依赖于随机缺失的假设,当缺失是非随机缺失(MNAR)或由于死亡而缺失时,这是不合适的。在这项工作中,我们开发了一个灵活的贝叶斯半参数G-计算方法,用于评估的因果关系的影响,将生存的亚群,无论暴露,在设置MNAR辍学。该方法是使用贝叶斯加性回归树为观测数据指定模型,然后使用嵌入敏感性参数的假设来识别和估计因果效应。所提出的方法是出于对认知,健康和老龄化的纵向队列研究,我们应用我们的方法来研究成为寡妇对记忆的影响。我们还将我们的方法与几种标准方法进行了比较。
2020-10-12 stat.AP
Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从,即受试者不遵循指定的治疗方案,通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中,G计算算法可以调整混杂以估计因果效应。通常,G计算假设1)观察到符合性; 2)可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置,这两个假设都违反。对于1),我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2),我们使用预测均值匹配拟合半参数模型。具体来说,我们参数化地指定混杂因素的条件平均值,然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中,我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟,我们生成了不同样本量和混杂水平的数据。对于应用,我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验(香烟中尼古丁评估中心项目2 - CENIC-P2)。
2023-02-08 stat.AP stat.ME
A longitudinal Bayesian framework for estimating causal dose-response relationships
King’s College London(伦敦国王学院);University of Toronto(多伦多大学);Technical University of Munich(慕尼黑工业大学);Imperial College London(帝国理工学院)
提出一种可扩展的非参数贝叶斯框架,通过广义倾向得分处理时变混杂,估计连续暴露下的边际纵向因果剂量-反应函数,并应用于地铁客流量与COVID-19病例数的因果分析。
2026-10-14 stat.AP stat.ME
Nonlinear Causal Discovery with Confounders
本文提出DeFuSE方法,通过去混淆调整和顺序过程学习存在混淆因素的有向无环图中的非线性因果关系,并证明了其一致性,在模拟和基因调控网络分析中表现优异。
2025-04-30 stat.ME