Learning high-dimensional directed acyclic graphs with latent and selection variables
ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）
我们考虑的问题，学习因果信息之间的随机变量在有向无环图（DAG）时，允许任意多的潜在和选择变量。FCI（快速因果推断）算法已明确设计，以推断条件独立性和因果信息，在这样的设置。然而，FCI是计算上不可行的大型图。因此，我们提出了新的RFCI算法，这是比FCI快得多。在某些情况下，RFCI的输出信息量稍少，特别是在条件独立性信息方面。然而，我们证明了RFCI输出中的任何因果信息在渐近极限下都是正确的。我们还定义了一类图上的FCI和RFCI的输出是相同的。我们证明了FCI和RFCI在稀疏高维环境中的一致性，并在仿真中证明了算法的估计性能非常相似。所有软件都在R-package pcalg中实现。
2012-05-29 cs.LG math.ST stat.ME
Beyond Directed Acyclic Graphs: Causal Zeros and Causal Differential Equations
研究珀尔结构因果模型的限制，针对对称物理经济约束及有限传播状态空间系统的问题，通过扩展因果模型和因果微分方程，添加激活算子等方法，给出扩展do-演算等内容，突破现有框架限制。
2026-07-28 cs.LG
Efficient Neural Causal Discovery without Acyclicity Constraints
University of Amsterdam（阿姆斯特丹大学）；Qualcomm AI Research（高通人工智能研究院）
使用观测和干预数据学习因果图模型的结构是许多科学领域中的基本问题。一个有前途的方向是连续优化的分数为基础的方法，然而，需要约束优化，以执行非循环或缺乏收敛保证。在本文中，我们提出了ENCO，一个有效的结构学习方法，利用观测和干预数据的有向，无环因果图。ENCO将图搜索公式化为独立边缘似然的优化，其中边缘方向被建模为单独的参数。因此，我们可以在温和的条件下提供ENCO的收敛保证，而不限制分数函数的无环性。在实验中，我们表明，ENCO可以有效地恢复图与数百个节点，一个数量级大于以前可能的，同时处理确定性变量和潜在的混淆。
2022-02-25 cs.AI cs.LG stat.ML
Causal inference in degenerate systems: An impossibility result
变量之间的因果关系通常通过有向无圈图表示。文献中有许多方法来量化因果无圈图中箭头的强度。然而，当由有向无圈图表示的因果系统退化时，这些方法具有不期望的性质。本文利用马尔可夫边界的多重性刻画了退化因果系统。我们表明，在这种情况下，它是不可能找到一个可识别的定量措施的因果关系的影响，满足一套自然的标准。为了补充不可能的结果，我们还开发了算法来识别退化因果系统从观测数据。我们的算法的性能进行了研究，通过合成数据分析。
2020-02-28 math.ST stat.TH
A Topological Sorting Criterion for Random Causal Directed Acyclic Graphs
University of Copenhagen, Denmark（丹麦哥本哈根大学）
本文研究了随机因果DAG中可达节点数随因果顺序单调增加的特性，提出通过估计可达节点数进行因果顺序恢复，并讨论其对因果发现算法的影响。
2026-05-07 cs.AI stat.ME
Bayesian Discovery of Linear Acyclic Causal Models
Helsinki Institute for Information Technology（赫尔辛基信息技术研究所）；University of Helsinki（赫尔辛基大学）
从非干预性数据中自动发现因果关系的方法最近受到了广泛关注。线性非循环因果模型（递归结构方程模型）是一种广泛使用且易于理解的模型族。对于高斯数据，两种基于约束的方法（Spirtes等人，一九九三年; Pearl，2000年）（输出一个单一的等价类）和基于贝叶斯评分的方法（Geiger和Heckerman，1994年）（为等价类分配相对评分）。相反，能够利用数据中的非高斯性的所有当前方法（Shimizu等人，2006; Hoyer等人，2008）总是只返回一个图或一个等价类，因此根本无法表达输出的确定性程度。在本文中，我们开发了一个贝叶斯评分为基础的方法，能够利用非高斯估计线性非循环因果模型时，我们的经验表明，至少在非常适度的规模的网络，其准确性是一样好或优于现有的方法。我们提供了一个完整的代码包（在R），实现所有的算法，并执行所有的分析提供的文件，并希望这将进一步应用这些方法来解决因果推断问题。
2012-05-09 cs.LG stat.ME stat.ML
Learning linear acyclic causal model including Gaussian noise using ancestral relationships
Graduate School of Informatics, Kyoto University（京都大学信息学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科艺术研究院）
本文提出一种时间复杂度低于PC-LiNGAM的算法，用于学习线性因果模型的分布等价模式，通过改进的因果祖先寻找算法处理高斯扰动。
2024-08-31 cs.LG stat.ME
Discovering causal structures in binary exclusive-or skew acyclic models
The Institute of Scientific and Industrial Research, Osaka University（大阪大学产业科学研究所）；Graduate School of Science, Osaka University（大阪大学研究生院）；Graduate School of Informatics, Kyoto University（京都大学情报学研究科）
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要课题。最近，一些技术，发现一个可识别的因果结构已被探索的基础上观察到的数据分布的非高斯性。然而，其中大多数仅限于连续数据。在本文中，我们提出了一种新的因果模型的二进制数据，并提出了一种新的方法来获得一个可识别的因果结构的基础上偏伯努利分布的外部噪声的数据。实验评估表明，人工和现实世界的数据集的优异性能。
2012-02-14 cs.LG stat.ML
Identifiability of an Integer Modular Acyclic Additive Noise Model and its Causal Structure Discovery
因果关系的概念在许多处理不确定性的情况下使用。本文研究了在给定数据集由离散随机变量而不是连续随机变量产生的情况下，因果关系能否被识别的问题。特别是，对于非二进制数据，迄今为止，除了极少数情况外，仅知道可以确定因果关系。本文给出了二元整数模非循环加性噪声（IMAN）的充要条件。此外，我们以更明确的方式将二元和多元因果可识别性联系起来，并开发了一种实用的算法来查找变量及其父集的顺序。我们证明了它的性能，在应用程序中的人工数据和现实世界的身体运动数据与传统的方法相比。
2014-01-22 stat.ML
Incorporating Expert Knowledge into Bayesian Causal Discovery of Mixtures of Directed Acyclic Graphs
Aalto University（艾罗大学）；University of Melbourne（墨尔本大学）；Manchester University（曼彻斯特大学）；Ellis Institute（埃利斯研究所）
本文提出基于贝叶斯实验设计原则和变分混合结构学习方法，用于处理异质领域的因果发现问题，通过专家反馈构建信息图先验，提升异质合成数据的结构学习性能，并在乳腺癌数据库中捕捉复杂分布。
2026-04-29 cs.LG stat.ME
Stable Causal Discovery via Directed Acyclic Graph Aggregation
Yau Mathematical Sciences Center, Tsinghua University（丘成桐数学科学中心，清华大学）；Department of Statistics, University of Virginia（弗吉尼亚大学统计系）；Dr. Bing Zhang Department of Statistics, University of Kentucky（肯塔基大学张炳章统计系）
本文提出DAGgr模型平均框架，通过聚合多个候选DAG以获得稳定表示，利用外样本预测似然加权候选图，并通过边重要性评分阈值规则保证聚合图的无环性，通过理论分析和实验验证其有效性。
2026-05-18 stat.ME stat.ML
PACER: Acyclic Causal Discovery from Large-Scale Interventional Data
Swiss Federal Technology Institute of Lausanne (EPFL), Switzerland（瑞士联邦理工学院洛桑分校）；Cornell University, USA（康奈尔大学）；ETH Zurich, Zurich, Switzerland（苏黎世联邦理工学院）
PACER通过构建无环性保证的因果发现框架，在大规模高维干预数据中实现高效且准确的因果结构推断，优于现有方法。
2026-05-14 cs.AI cs.LG q-bio.MN
Fast Causal Orientation Learning in Directed Acyclic Graphs
Sharif University of Technology（谢里夫理工大学）
一组变量之间的因果关系通常由有向无环图表示。因果DAG中的一些边缘的方向可以从观察/干预数据中发现。可以通过迭代地应用所谓的Meek规则来定向另外的边缘。因果定向学习是因果发现任务中的一个常见问题。在这些任务中，通常需要解决多个COL问题，因此应用Meek规则可能非常耗时。受Meek规则的启发，我们引入了Meek函数，可以用来解决COL问题。特别是，我们表明，这些功能有一些理想的属性，使我们能够加快应用Meek规则的过程。特别是，我们提出了一个基于动态规划（DP）的方法来应用Meek函数。此外，基于所提出的DP方法，我们提出了一个下界的边缘，可以定向作为干预的结果的数量。我们还提出了一种方法来检查是否有一些定向边缘属于因果DAG。实验结果表明，所提出的方法可以优于以前的工作在几个因果发现任务的运行时间。
2022-05-27 cs.AI cs.DS cs.LG
Causal Discovery in a Binary Exclusive-or Skew Acyclic Model: BExSAM
Institute of Scientific and Industrial Research, Osaka University（大阪大学产业科学研究所）；Graduate School of Science, Osaka University（大阪大学理学研究科）；Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要目标。最近，一些技术，发现一个独特的因果模型已被探索的基础上观察到的数据分布的非高斯性。然而，其中大多数仅限于连续数据。在本文中，我们提出了一种新的因果模型的二进制数据，并提出了一种有效的新方法来推导唯一的因果模型下的偏态分布的外部二进制噪声的给定的二进制数据集。实验评估表明，人工和现实世界的数据集的优异性能。
2014-01-22 cs.LG stat.ML
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
Sequentially learning the topological ordering of causal directed acyclic graphs with likelihood ratio scores
University of California, Los Angeles（加州大学洛杉矶分校）
因果发现，在数据挖掘场景中学习因果关系，作为识别“什么导致什么”的起点，一直具有强烈的科学和理论兴趣。取决于假设和适当的学习算法，有时可以识别和准确估计因果有向无环图（DAG），而不是给出因果方向模糊性的马尔可夫等价类图。本文的重点是在突出的可识别性和估计的DAG一般误差分布通过一般顺序排序程序，顺序变量一次一个，从根节点开始，其次是根节点的孩子，等等，直到完成。我们展示了一个新的应用程序，这种一般的方法来估计拓扑有序的DAG。在该过程的每个步骤中，仅对回归残差计算简单的似然比分数，以决定要附加到当前偏序的下一个节点。我们的算法在p-节点问题上的计算复杂度是O（pd），其中d是最大邻域大小。在温和的假设下，我们的程序的人口版本可证明确定一个真正的排序的基础DAG。我们提供了大量的数值证据来证明，这个顺序的过程规模可能数以千计的节点，并适用于高维数据。我们伴随着这些数值实验与应用程序的单细胞基因表达数据集。
2022-05-19 cs.LG stat.ME stat.ML
A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models
EPFL（洛桑联邦理工学院）；Leiden University（莱顿大学）；Boston University（波士顿大学）
针对循环因果图实验设计的难点，提出统一适用于循环与非循环因果模型的实验设计方法，证明其在实验次数和受限实验规模下均达到最优性。
2023-12-13 cs.AI cs.LG
Directed Acyclic Graphs and causal thinking in clinical risk prediction modeling
背景：在流行病学中，因果推断和预测建模方法在历史上是不同的。有向无环图（DAG）用于对先验因果假设进行建模，并为因果问题的变量选择策略提供信息。尽管最初设计用于预测的工具在因果推断中得到了应用，但对应的工具在很大程度上仍未得到探索。这项基于理论和模拟的研究的目的是评估在临床风险预测建模中使用DAG的潜在益处。方法和发现：我们探讨如何将知识的基础因果结构可以提供有关的可移植性的诊断临床风险预测模型的不同设置的见解。因果方向的单一预测因子模型可能比反因果方向的模型具有更好的可移植性。我们进一步探讨因果知识是否可以用来改善预测选择。我们的经验表明，马尔可夫毯，一组变量，包括父母，孩子，和父母的孩子的结果节点在DAG中，是最佳的预测结果。结论：我们的研究结果挑战了普遍接受的观点，即如果预测因子正确包含在模型中，预测因子分布的变化不会影响诊断临床风险预测模型的校准。此外，使用DAG来识别马尔可夫毯变量可能是一种有用的，有效的策略，以选择临床风险预测模型中的预测因子，如果存在或可以学习的基础因果结构的强大知识。
2020-02-21 stat.ME
Causal Effect Identification in Acyclic Directed Mixed Graphs and Gated Models
Linköping University（林雪平大学）
我们引入了一个新的图形模型，包括可能有向，无向和双向边，但没有定向循环的图形。我们表明，这些模型是适合于表示因果模型的附加误差项。我们提供了一组充分的图形标准识别任意因果效应时，新的模型包含有向和无向的边缘，但没有双向边缘。我们还提供了一个必要的和充分的图形标准的因果关系的影响，一个单一的变量上的其他变量的识别。此外，我们开发了一种精确的算法，通过答案集编程从观察和干预数据中学习新模型。最后，我们介绍了门控模型的因果效应识别，一个新的家庭的图形模型，利用上下文特定的独立性，以确定额外的因果效应。
2017-05-28 cs.AI 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
Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）
本文提出基于再生核希尔伯特空间和偏导数稀疏正则化的非参数因果发现方法，采用对数行列式无环约束，并通过RKHS-DAGMA程序验证其性能。
2024-08-20 cs.LG stat.ML
Causal discovery of linear acyclic models with arbitrary distributions
Carnegie Mellon University（卡内基梅隆大学）；University of Helsinki（赫尔辛基大学）；Osaka University（大阪大学）
数据分析的一个重要任务是发现观测变量之间的因果关系。对于连续值数据，线性非循环因果模型通常用于建模数据生成过程，并且此类模型的推断是一个研究得很好的问题。然而，现有的方法具有显著的局限性。基于条件独立性的方法（Spirtes et al. 1993; Pearl 2000）无法区分独立性等效模型，而纯粹基于独立成分分析的方法（Shimizu et al. 2006）不适用于部分高斯数据。在本文中，我们概括并结合了这两种方法，以产生一种能够在许多情况下学习模型结构的方法，对于这些情况，以前的方法提供的答案要么是不正确的，要么不是尽可能的信息。当两个不同的模型代表同一个分布家族时，我们给出了精确的图形条件，并通过全面的模拟实证证明了我们方法的强大功能。
2012-06-13 cs.AI cs.LG stat.ML
DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis
University of Strathclyde（斯特拉斯克莱德大学）
本文提出DAGAF框架，通过双重步骤在多种因果模型假设下实现因果结构学习和表格数据合成，实验表明其在结构学习上优于现有方法，且能生成高质量样本。
2026-04-05 cs.LG
CaTs and DAGs: Integrating Directed Acyclic Graphs with Transformers for Causally Constrained Predictions
Kivira Health（Kivira健康公司）；The Sense Innovation and Research Center, CHUV, Lausanne, Switzerland（The Sense创新与研究中心，CHUV，洛桑，瑞士）；Centre for Vision, Speech and Signal Processing, University of Surrey, U.K.（视觉、语音和信号处理中心，萨里大学，英国）；Institute of Psychology, University of Lausanne, Switzerland（心理学研究所，洛桑大学，瑞士）；EPFL, Switzerland（瑞士联邦理工学院）
本文提出因果变换器（CaTs），通过整合有向无环图与变换器，实现因果受限预测，提升模型的鲁棒性、可靠性和可解释性。
2026-01-27 cs.LG stat.ML
Combining Linear Non-Gaussian Acyclic Model with Logistic Regression Model for Estimating Causal Structure from Mixed Continuous and Discrete Data
RIKEN AIP Center（理化学研究所人工智能项目中心）；Shiga University（滋贺大学）
从观测数据中估计因果模型是数据分析中的一项重要任务。对于连续值数据，Shimizu等人提出了一种线性非循环非高斯模型来理解数据生成过程，并表明当数据数量足够大时，他们的模型是可识别的。然而，连续变量和离散变量共存于同一问题中的情况在实践中很常见。大多数现有的因果发现方法或者忽略离散数据并应用连续值算法，或者将所有连续数据离散化，然后应用离散贝叶斯网络方法。这些方法在忽略离散数据或离散化引入近似误差时，可能会丢失重要信息。在本文中，我们定义了一个新的混合因果模型，它包括连续和离散变量。该模型假设：（1）连续变量的值是其父变量加上非高斯噪声的线性函数，以及（2）每个离散变量是逻辑变量，其分布参数取决于其父变量的值。此外，我们推导出BIC评分函数的模型选择。新算法可以从连续和离散数据中学习因果结构，而不需要离散化。我们通过全面的模拟经验证明了我们的方法的力量。
2018-02-16 cs.AI cs.LG stat.ML
Characterizing Distribution Equivalence and Structure Learning for Cyclic and Acyclic Directed Graphs
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Carnegie Mellon University（卡内基梅隆大学）
定义非循环有向因果图模型之间等价性的主要方法是基于因果模型可以生成的分布中的条件独立关系，即马尔科夫等价性。然而，众所周知，当因果结构中允许循环时，条件独立性可能不是两个结构等价的合适概念，因为它不能反映分布中对识别底层结构有用的所有信息。在本文中，我们提出了一个一般的，统一的概念，等价的线性高斯因果有向图模型，无论它们是循环的或非循环的。在我们提出的等价定义中，如果两个结构可以生成相同的数据分布集，则它们是等价的。我们还提出了一个较弱的概念，称为准等价等价，我们表明是从观测数据的可识别性的程度。我们提出了分析以及图形的方法来表征两个结构的等价性。此外，我们提出了一个基于分数的方法来学习的结构从观测数据，成功地处理了非循环和循环结构。
2020-07-02 cs.LG stat.ML
Lower Bounds on the Size of Markov Equivalence Classes
Engineering and Applied Science（工程与应用科学）；California Institute of Technology（加州理工学院）
本文研究因果发现中Markov等价类的可辨识性极限，证明放宽无环性、因果充分性或均匀先验后，三类随机图的等价类期望大小具有指数级下界。
2025-07-25 cs.LG math.ST stat.ML
Foundations of Structural Causal Models with Cycles and Latent Variables
University of Amsterdam（阿姆斯特丹大学）
结构因果模型（SCM），也称为（非参数）结构方程模型（SEM），广泛用于因果建模目的。特别是，非循环SCM，也被称为递归SEM，形成了一个研究得很好的SCM子类，概括了因果贝叶斯网络，以允许潜在的混淆。在本文中，我们调查SCM在一个更一般的设置，允许潜在的混杂因素和周期的存在。我们发现，在周期的存在下，非循环SCM的许多方便的性质一般不成立：它们不总是有一个解决方案;他们不总是诱导唯一的观察，干预和反事实的分布;边缘化并不总是存在，如果它存在的边际模型并不总是尊重潜在的投影;他们并不总是满足一个马尔可夫性;并且它们的图并不总是与它们的因果语义一致。我们证明，在一般情况下，这些属性的SCM不持有在一定的可解性条件。我们的工作概括了SCM的结果与周期，只有已知的某些特殊情况下，到目前为止。我们介绍了类的简单SCM，扩展类的非循环SCM的循环设置，同时保留了许多方便的性质的非循环SCM。在本文中，我们的目标是提供一个一般的理论与SCM的统计因果建模的基础。
2021-11-22 cs.AI cs.LG stat.ME
Inference of Causal Effects when Control Variables are Unknown
Uppsala University（乌普萨拉大学）
因果效应推理的传统方法通常依赖于指定一组有效的控制变量。当这个集合是未知的或错误指定的时候，推论就会出错。我们提出了一种方法来推断平均因果效应时，所有潜在的混淆观察，但控制变量是未知的。当数据生成过程属于非循环线性结构因果模型类时，我们证明了该方法产生渐近有效的置信区间。我们的结果建立在一个光滑的线性有向无环图的特征。我们验证了该方法的能力，以产生有效的置信区间的平均因果效应，使用合成数据，即使当控制变量的适当规格是未知的。
2021-06-11 cs.LG stat.ME stat.ML
On Low Rank Directed Acyclic Graphs and Causal Structure Learning
Peking University（北京大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Chinese University of Hong Kong（香港中文大学）；Renmin University of China（中国人民大学）
本文提出利用DAG因果模型邻接矩阵的低秩假设，调整因果结构学习方法，并证明无标度网络常为低秩，实验显示在大型密集图上有效且性能优越。
2023-05-15 cs.LG stat.ML
Efficiently Deciding Algebraic Equivalence of Bow-Free Acyclic Path Diagrams
Utrecht University（乌得勒支大学）；Information and Computing Sciences（信息与计算科学）
本文针对无弓线性结构方程模型中的因果发现问题，提出高效算法判定两个图是否施加相同代数约束或存在约束子集关系，从而为潜在混杂因素下的图区分提供最细粒度分辨。
2024-06-10 cs.LG math.ST stat.ML
Depicting deterministic variables within directed acyclic graphs (DAGs): An aid for identifying and interpreting causal effects involving tautological associations, compositional data, and composite variables
确定性变量是由一个或多个父变量完全解释的变量。它们通常出现在一个变量是从一个或多个父变量代数构造而成的情况下，如复合变量，以及在组合数据中，“整体”变量是从其“部分”确定的。本文介绍了如何在有向无环图（DAG）中描述确定性变量，以帮助识别和解释涉及重言式关联、组成数据和复合变量的因果效应。我们提出了一个两步的方法，在该方法中，所有的变量最初被认为是，然后作出明确的选择是否专注于确定性变量（S）或决定性的父母。在DAG中描述确定性变量有几个好处。识别和避免误解重言式关联更容易，即，具有共享代数父变量的变量之间的自实现关联。在成分数据中，更容易理解“整体”变量的条件作用的后果，并正确识别总体和相对因果效应。对于复合变量，它鼓励更多地考虑目标被估量，并更严格地审查一致性和交换率假设。具有确定性变量的DAG对于规划和解释涉及重言式关联、组成数据和/或复合变量的分析是有用的辅助工具。
2023-02-03 stat.ME
DAGSurv: Directed Acyclic Graph Based Survival Analysis Using Deep Neural Networks
IIIT Delhi（德里印度信息技术学院）；IIIT Guwahati（古瓦哈提印度信息技术学院）
观察性生存数据的因果结构提供了关于协变量与至事件发生时间之间关系的关键信息。我们从信息理论的信源编码参数的动机，并表明，将知识的有向无环图（DAG）可以是有益的，如果采用合适的源编码器。作为一个可能的源编码器在这种情况下，我们推导出一个变分推理为基础的条件变分自编码器的因果结构化生存预测，我们称之为DAGSurv。我们说明了DAGSurv在低维和高维合成数据集以及METABRIC和GBSG等真实数据集上的性能。我们证明了所提出的方法优于其他生存分析基线，如Cox比例风险，DeepSurv和Deephit，这些基线忽略了数据实体之间的潜在因果关系。
2021-11-02 cs.LG stat.ML
Efficient least squares for estimating total effects under linearity and causal sufficiency
递归线性结构方程模型被广泛用于假设观测数据背后的因果机制。在这些模型中，每个变量等于剩余变量的子集加上误差项的线性组合。当不存在未观察到的混杂或选择偏倚时，假设误差项是独立的。我们考虑在这种情况下估计总的因果效应。因果结构被假定为已知的最大定向部分有向无环图（MPDAG），一般类的图形，可以表示马尔可夫等价类的有向无圈图（DAG）与添加的背景知识。我们提出了一个简单的估计基于递归最小二乘法，它可以一致地估计任何确定的总的因果效应，在点或联合干预。我们表明，这种估计是最有效的所有定期估计的基础上的样本协方差，其中包括协变量调整和估计采用联合IDA算法。值得注意的是，我们的结果在没有假设高斯误差的情况下成立。
2022-03-17 math.ST stat.ME stat.TH
Data-Driven and Cycle-Agnostic Covariate Selection for Nonparametric Causal Effect Estimation
Leiden University（莱顿大学）
本文提出一种基于条件独立性的本地数据驱动方法，用于非参数和周期无关的因果效应估计，证明其在存在循环因果模型时的有效性，并通过合成数据验证了方法的可靠性。
2026-11-05 cs.LG
Graphical Criteria for Efficient Total Effect Estimation via Adjustment in Causal Linear Models
协变量调整是总因果效应估计的一种常用方法。近年来，已开发出图形标准来识别所有有效的调整集，即所有可用于此目的的协变量集。不同的有效调整集通常提供不同精度的总效应估计。限制我们自己的因果线性模型，我们引入了一个图形的标准来比较的渐近方差提供某些有效的调整集。我们采用这个结果来开发两个进一步的图形工具。首先，我们介绍了一个简单的方差减少修剪过程中的任何给定的有效调整集。其次，我们给出了一个有效的调整集，提供所有有效的调整集之间的最佳渐近方差的图形特征。我们的结果只依赖于图形结构，而不是特定的误差方差或边缘系数的潜在因果线性模型。它们可以应用于有向无圈图（DAG）、完全部分有向无圈图（CPDAG）和最大定向部分有向无圈图（极大PDAG）。我们提出了模拟和一个真实的数据例子来支持我们的结果，并显示其实用性。
2020-12-12 math.ST stat.TH
Entropic Inequality Constraints from $e$-separation Relations in Directed Acyclic Graphs with Hidden Variables
Johns Hopkins University（约翰斯·霍普金斯大学）；Perimeter Institute for Theoretical Physics（圆周理论物理研究所）；University of Gdańsk（格但斯克大学）；International Centre for Theory of Quantum Technologies（国际量子技术理论中心）
含有隐变量的有向无环图（DAG）经常被用来刻画系统中变量之间的因果关系。当某些变量不可观测时，DAG意味着对观测变量分布的一组非常复杂的约束。在这项工作中，我们提出了熵不等式约束隐含的$e$分离关系的隐变量DAG离散观测变量。这些约束可以直观地理解为遵循这样的事实，即沿着因果路径传递信息的变量的能力受到它们的熵的限制;例如，在极端情况下，具有熵的变量$0$可以不传递信息。我们展示了如何使用这些约束从观察到的数据分布中了解真正的因果模型。此外，我们提出了一种称为最小中间熵的因果影响的措施，并证明它可以增强传统的措施，如平均因果效应。
2023-02-22 cs.LG stat.ML
Interpreting and using CPDAGs with background knowledge
我们开发的术语和方法与最大定向部分有向无圈图（最大PDAG）。最大PDAG产生于对有向无圈图的马尔可夫等价类施加限制，或者等效地对作为完全部分有向无圈图（CPDAG）的其图形表示施加限制，例如当添加关于某些边缘取向的背景知识时。虽然最大PDAGs经常出现在实践中，因果关系的方法主要是为CPDAGs。在本文中，我们将这种方法扩展到最大的PDAGs。特别是，我们开发的方法来读取可能的祖先关系，我们引入协变量调整的图形标准来估计总的因果效应，我们适应IDA和联合IDA框架来估计多组可能的因果效应。我们还提出了一个模拟研究，说明了增益的可识别性的总因果效应的背景知识的增加。所有方法都在R包pcalg中实现。
2018-06-19 math.ST stat.TH
Causal inference of brain connectivity from fMRI with $ψ$-Learning Incorporated Linear non-Gaussian Acyclic Model ($ψ$-LiNGAM)
Tulane University（杜兰大学）；University of Nebraska Medical Center（内布拉斯加大学医学中心）；Mind Research Network（心智研究网络）；Georgia State University（佐治亚州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）
功能连接（FC）已经成为通过识别大脑网络相互作用以及最终这些相互作用如何产生认知来理解大脑功能的主要手段。FC的一个流行定义是通过测量大脑区域之间的统计关联。然而，这可能是有问题的，因为关联只能提供空间联系，而不能提供感兴趣区域之间的因果互动。因此，有必要研究它们之间的因果关系。有向无环图（DAG）模型在FC研究中得到了广泛应用，但常常遇到样本量有限、变量数目多（即高维问题）等问题，导致计算困难和收敛性问题。因此，DAG模型的使用是有问题的，其中DAG模型的识别通常是非确定性多项式时间困难（NP-困难）的。为此，我们提出了一个$ψ$学习纳入线性非高斯非循环模型（$ψ$ -LiNGAM）。我们使用的关联模型（$ψ$ -学习），以促进因果推断和模型的工作，特别是高维的情况下。仿真结果表明，该方法在检测图的结构和方向方面比现有的几种方法具有更好的鲁棒性和准确性。然后，我们将其应用于从公开的费城神经发育队列（PNC）获得的静息状态fMRI（rsfMRI）数据，以研究认知差异，其中包括855名8-22岁的个体。其中，我们已经确定了三种类型的枢纽结构：在枢纽，出枢纽和和枢纽，分别对应于接收，发送和中继信息的中心。我们还发现了16对最重要的因果流。其中几个结果已被证实具有生物学意义。
2020-06-16 cs.LG stat.ML
AdaPS-LiNGAM: Adaptive Predecessor Selection for Linear Non-Gaussian Acyclic Models under Small-Sample Settings
Artificial Intelligence Laboratory, Fujitsu Limited（富士通有限公司人工智能实验室）
针对小样本下线性非高斯无环模型因果发现困难，提出AdaPS-LiNGAM方法，通过自适应选择稀疏前驱子集重构残差，实现准确且稳健的因果结构恢复。
2026-10-08 cs.LG stat.ML
DAG-WGAN: Causal Structure Learning With Wasserstein Generative Adversarial Networks
University of Strathclyde（思克莱德大学）
组合搜索空间对从数据中学习因果关系提出了重大挑战。最近，该问题已被公式化为具有非循环约束的连续优化框架，允许探索深度生成模型，以更好地捕获数据样本分布，并支持发现忠实表示底层数据分布的有向非循环图（DAG）。然而，到目前为止，还没有研究通过生成模型研究使用Wasserstein距离进行因果结构学习。本文提出了一种新的模型DAG-WGAN，它结合了基于Wasserstein的对抗性损失，自动编码器架构以及非循环约束。DAG-WGAN同时学习因果结构，并通过利用Wasserstein距离度量的优势来提高其数据生成能力。与其他模型相比，该模型具有很好的可扩展性，可以处理连续和离散数据。我们的实验已经评估了DAG-WGAN对国家的最先进的，并证明了其良好的性能。
2022-04-01 cs.LG stat.ML
Redefining the Shortest Path Problem Formulation of the Linear Non-Gaussian Acyclic Model: Pairwise Likelihood Ratios, Prior Knowledge, and Path Enumeration
Nara Institute of Science and Technology（奈良科学技术研究所）；Ateneo de Manila University（雅典耀大学）
本文通过成对似然比替代kNN互信息、引入先验知识节点跳过策略及利用路径分布推断因果图属性，三重增强LiNGAM-SPP框架，提升其性能与实用性。
2025-02-27 cs.LG stat.ME
Local Causal Discovery with Linear non-Gaussian Cyclic Models
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）
本文提出一种适用于线性非高斯模型的统一局部因果发现方法，通过扩展独立成分分析至独立子空间分析，实现从目标变量的马尔可夫毯中精确识别局部有向结构和因果强度，并在无环场景下提供基于回归的替代方法。
2024-03-21 cs.AI cs.LG
Causal Discovery with Unobserved Confounding and non-Gaussian Data
我们考虑从多变量观测数据中恢复因果结构。我们假设数据来自线性结构方程模型（SEM），其中允许特异质误差是依赖的，以捕获可能的潜在混杂。每个SEM可以由图表示，其中顶点表示观察到的变量，有向边表示直接因果效应，双向边表示误差项之间的依赖性。具体来说，我们假设真实模型对应于无弓非循环路径图;即，在任何一对节点之间最多只有一条边并且在有向部分是非循环的图。我们表明，当错误是非高斯的，确切的因果结构编码的这样一个图，而不仅仅是一个等价类，可以从观测数据中恢复。为此目的，我们提出的方法使用合适的时刻估计，但与以前的结果相比，不需要指定先验的潜变量的数量。我们还描述了我们的过程中的输出时，违反了假设和真正的图是无环的，但不是弓自由。我们说明了我们的程序在模拟和应用程序的生态数据集的有效性。
2021-11-09 stat.ME
Causal Discovery for Linear DAGs with Dependent Latent Variables via Higher-order Cumulants
Graduate School of Informatics, Kyoto University（京都大学信息科学研究生院）；Institute for Liberal Arts and Sciences, Kyoto University（京都大学文科理科研究所）
针对含相关隐变量的线性非高斯因果发现难题，提出利用高阶累积量识别LvLiNGAM中因果DAG的新算法，经模拟与真实数据验证有效。
2025-10-16 cs.LG stat.ML
On The Causal Network Of Face-selective Regions In Human Brain During Movie Watching
University Of Tehran（德黑兰大学）
本研究采用DAGMA因果发现方法分析自然电影刺激下的fMRI数据，揭示了面孔刺激对大脑面孔选择性网络连接数量的因果影响，并强调了皮层下区域在满足因果充分性中的关键作用。
2025-05-30 cs.LG eess.IV q-bio.NC
No More Maybe-Arrows: Resolving Causal Uncertainty by Breaking Symmetries
CausalSAGE通过打破对称性解决因果不确定性，将PAGs转换为DAGs并保留因果关系。
2026-03-01 cs.LG
Application of quantum computing to a linear non-Gaussian acyclic model for novel medical knowledge discovery
Quantum Computing Center（量子计算中心）；Keio University（庆应义塾大学）
本研究将量子计算应用于线性非高斯无环模型，利用量子核计算 DirectLiNGAM 的独立性度量，提出 qLiNGAM 方法。实验表明，在数据量较少时，qLiNGAM 能正确估计因果结构，并在真实量子硬件上实现，为小数据下的新型医学知识发现提供可能。
2021-12-06 cs.AI cs.LG quant-ph
Structure Learning for Cyclic Linear Causal Models
研究了基于观测数据的线性因果模型的结构学习问题。我们对待可能的循环混合图，它允许反馈回路和潜在的混淆因素的影响给出的模型。推广了无弓无圈图的相关工作，我们假设底层图是简单的。这意味着，任何两个观察到的变量可以通过最多一个直接的因果关系的影响和结构方程中的误差项之间的相关性（混淆诱导）只发生在没有直接的因果关系的影响。我们发现，尽管新的微妙之处，在循环的情况下，所考虑的简单的循环模型是预期的尺寸和以前考虑的标准分布等价的弓无无圈图有类似的循环的情况下。我们的模型维数的结果证明，特别是基于分数的线性高斯混合图模型的结构学习方法，我们通过贪婪搜索实现。
2020-08-19 math.ST stat.ML stat.TH
Consistent Bayesian causal discovery for structural equation models with equal error variances
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Texas A&M University（德克萨斯农工大学）
本文提出一种贝叶斯DAG选择方法，在假设高斯SEM和相等误差方差的情况下，利用关键性质证明该方法在无需额外分布假设下一致恢复真实图结构。
2026-03-23 math.ST 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
A novel framework extending cause-effect inference methods to multivariate causal discovery
本文提出一个辅助框架，将任意双变量因果推断方法系统扩展到多变量场景，通过可识别的局部图结构迭代发现完整因果结构，并从理论与实验上验证其有效性。
2023-05-26 stat.ME
Learning Temporal Causal Structure via Smooth Differentiable Optimization
Imperial College London（帝国理工学院伦敦分校）；University of Bristol（布里斯托大学）
提出使用Gumbel-Sinkhorn算子学习可微变量排序，三角化结构向量自回归模型的瞬时系数矩阵，将无环性转化为参数化，实现统一连续优化，提高时间序列因果发现的效率和准确性。
2026-06-02 cs.LG
Valid Inference After Causal Discovery
University of California, Berkeley（加州大学伯克利分校）；University of Michigan（密歇根大学）
本研究针对因果发现后估计效应时的“双重 dipping”问题，提出有效推断工具，在保证覆盖率的同时提升因果发现准确性。
2024-08-19 cs.LG stat.ME stat.ML
