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
Variance Minimization in the Wasserstein Space for Invariant Causal Prediction
Princeton University(普林斯顿大学);Gladstone Institutes(格莱斯顿研究所)
为结果选择强大的预测因子是机器学习的基础任务。然而,某些类型的问题只能通过识别因果影响结果的预测因素来回答。最近针对该因果推理问题的方法利用了因果机制在不同实验环境中的不变性(Peters等人,2016; Heinze-Deml等人,2018年)。这种方法,不变的因果预测(ICP),有一个重大的计算缺陷-运行时的规模与可能的因果变量的数量呈指数关系。在这项工作中,我们表明,在ICP采取的方法可以重新制定为一系列的非参数检验,线性尺度的预测因子的数量。这些测试中的每一个都依赖于最小化一个新的损失函数-Wasserstein方差-这是从最优运输理论的工具,并用于量化跨环境的分布变异性。我们证明在温和的假设下,我们的方法是能够恢复的一组可识别的直接原因,我们在我们的实验中证明,它是有竞争力的与其他基准的因果发现算法。
2022-02-28 cs.LG stat.ME
Identifying the Causes of Pyrocumulonimbus (PyroCb)
University of Valencia(瓦伦西亚大学);University of Cambridge(剑桥大学);Institut Pierre-Simon Laplace(皮埃尔-西蒙·拉普拉斯研究所);Columbia University(哥伦比亚大学);University of Oxford(牛津大学);Pasteur Labs(巴斯德实验室)
从观测数据的pyroCb(风暴云产生的极端野火)的第一个因果发现分析。不变因果预测被用来开发工具来理解pyroCb形成的因果驱动因素。这包括条件独立性测试,用于测试对于二进制变量$Y$和多变量连续变量$X$和$E$,在给定$X$的情况下,$Y$有条件地独立于$E$,以及贪婪ICP搜索算法,其依赖于较少的条件独立性测试来获得更小的更易于管理的因果预测因子集合。有了这些工具,我们确定了一个子集的七个因果预测是合理的,当与域知识:表面感热通量,相对湿度在$850$百帕,风的一个组成部分在$250$百帕,$13.3$微米,热排放,对流可用的势能,和高度。
2022-11-18 cs.LG stat.ML
On the Generalization and Adaption Performance of Causal Models
Mila(米拉研究所);Université de Montréal(蒙特利尔大学);ETH Zurich(苏黎世联邦理工学院);KTH Stockholm(斯德哥尔摩KTH皇家理工学院);DeepMind(深度思维)
提供鲁棒的分布外泛化和快速自适应的学习模型是现代机器学习的关键挑战。将因果结构建模到神经网络中有望实现鲁棒的零和Few-Shot自适应。最近在可区分因果发现方面的进展已经提出将数据生成过程分解为一组模块,即每个变量的条件分布的一个模块,其中仅因果父项用作预测因子。这种知识的模块化分解使得能够通过仅更新参数的子集来适应分布变化。在这项工作中,我们系统地研究了这种模块化神经因果模型的泛化和自适应性能,将其与单片模型和结构化模型进行比较,其中预测因子集不限于因果父模型。我们的分析表明,模块化神经因果模型优于其他模型的零和Few-Shot适应低数据制度,并提供强大的推广。我们还发现,与密集图相比,稀疏图的效果更显着。
2022-06-09 cs.AI cs.LG stat.ML
Multidata Causal Discovery for Statistical Hurricane Intensity Forecasting
Faculty of Geosciences and Environment, Expertise Center for Climate Extremes, University of Lausanne(洛桑大学地球科学与环境学院、气候极端事件专业中心);Cooperative Institute for Research in the Atmosphere, Colorado State University(科罗拉多州立大学大气合作研究所);Department of Computer Science, University of Potsdam(波茨坦大学计算机科学系)
本文通过多数据因果发现框架,利用SHIPS方案和ERA5再分析数据,识别与飓风强度变化因果相关的预测因子,发现因果特征选择在短时效预测中表现更优,改进了飓风强度预测方法。
2026-04-11 cs.LG stat.AP
Causal Discovery using Model Invariance through Knockoff Interventions
Michael Stifel Center Jena(耶拿迈克尔·施蒂费尔中心)
因果分析对于理解系统的潜在机制至关重要。我们建议利用模型的不变性,通过干预的预测推断因果关系的非线性多变量系统的时间序列。我们使用DeepAR对时间序列中的非线性相互作用进行建模,然后使用基于Knockoffs的干预将模型暴露于不同的环境中,以测试模型的不变性。敲除样本是在不知道响应的情况下生成的成对可交换、分布内和统计学上为空的变量。我们测试模型的不变性,我们表明,响应残差的分布不会改变显着干预非因果预测。我们评估我们的方法对真实和综合生成的时间序列。总体而言,我们的方法优于其他广泛使用的因果关系方法,即VAR Granger因果关系,VARLiNGAM和PCMCI+。
2022-07-08 cs.AI cs.LG
Debiased Machine Learning of Conditional Average Treatment Effects and Other Causal Functions
基于现代机器学习(ML)工具,本文提供了结构函数的最佳线性预测(近似)的估计和推理方法,如条件平均结构和处理效应以及结构导数。我们将此结构函数表示为依赖于滋扰参数的无偏信号的条件期望,我们通过现代机器学习技术估计该滋扰参数。我们首先调整信号,使其对第一阶段正则化偏置不敏感(奈曼正交)。然后,我们将信号投影到一组基函数上,随着样本量的增加而增加,这给了我们结构函数的最佳线性预测器。我们推导出一套完整的结果估计和同时推断的所有参数的最佳线性预测,进行推断高斯引导。当结构函数光滑且基充分丰富时,我们的估计和推理结果自动针对该函数。当基函数是组指标时,最佳线性预测因子减少到组平均治疗/结构效应,并且我们的推断自动针对这些参数。我们证明了我们的方法,估计统一的置信区间的平均价格弹性的汽油需求的收入为条件。
2020-08-14 stat.ME stat.ML
FairyTED: A Fair Rating Predictor for TED Talk Data
University of Rochester(罗切斯特大学);Comcast Applied AI Research(康卡斯特应用人工智能研究院)
随着机器学习应用于人类生活的各个方面,将公平性纳入预测算法的核心非常重要。我们解决的问题,预测的质量的公开演讲,而公平的发言者的敏感属性,如性别和种族。我们使用TED演讲作为公众演讲的输入库,因为它由来自不同社区的演讲者组成,并且具有广泛的覆盖面。利用因果模型、反事实公平性和最新的神经语言模型理论,我们提出了一个公平预测演讲质量的数学框架。我们采用接地的假设来构建一个因果模型,捕捉不同的属性如何影响演讲质量。该因果模型有助于生成反事实数据以训练公平的预测模型。我们的框架足够通用,可以利用因果模型中的任何假设。实验结果表明,虽然预测准确性与最近在该数据集上的工作相当,但与真实数据标签相比,我们的预测在一个新的度量方面是反事实的公平。FairyTED设置不仅允许组织者从未观察到的反事实可能性中选择明智和多样化的演讲者,而且还确保观众和新用户在决定观看演讲时不会受到www.ted.com网站任意访问者的不公平和不平衡评级的影响。
2019-11-25 cs.CL cs.LG stat.ML
Feedback Detection for Live Predictors
Stanford University(斯坦福大学);Google, Inc.(谷歌公司)
部署在实时生产系统中的预测器可能会干扰其用于进行预测的功能。例如,当一个预测某种行为的模型最终导致了它所预测的行为,从而创造了一个自我实现的预言时,这种反馈循环就可能发生。在本文中,我们分析预测反馈检测作为一个因果推断问题,并介绍了一个本地随机化计划,可用于检测非线性反馈在现实世界中的问题。我们进行了一项试点研究,我们提出的方法使用预测系统目前部署的一部分,搜索引擎。
2014-11-01 cs.LG stat.ME stat.ML
Equal Opportunity and Affirmative Action via Counterfactual Predictions
Columbia University(哥伦比亚大学)
机器学习(ML)可以通过学习从历史数据中预测决策来自动化决策。然而,这些预测因素可能会从过去的决策中继承歧视性政策,并复制不公平的决策。在本文中,我们提出了两种算法,调整拟合的ML预测,使它们公平。我们专注于公平的两个法律概念:(a)提供平等的机会(EO),无论个人的敏感属性和(b)通过平权行动(AA)修复历史上的劣势。从技术上讲,我们通过建立因果模型并考虑反事实决策来产生公平的EO和AA预测。我们证明了所得到的预测理论上是最佳的预测性能,同时满足公平性。我们评估算法,以及准确性和公平性之间的权衡,关于入学,收入,信用和累犯的数据集。
2019-05-29 cs.LG stat.ML
An exhaustive selection of sufficient adjustment sets for causal inference
针对因果推断中充分调整集的检测需求,提出一类无结果模型参数假设的通用穷举方法,可助力效应估计与因果关联发掘,并通过模拟及真实数据验证了有效性。
2024-08-18 stat.ME
Tuning Derivatives for Causal Fairness in Machine Learning
Department of Statistics, Umeå School of Business, Economics and Statistics(统计系,乌梅亚商学院、经济学和统计学学院);Integrated Science Lab, Department of Physics(整合科学实验室,物理系)
本文提出一种针对连续保护属性的因果公平性框架,通过路径特定偏导数形式化统计平衡与预测平衡,并设计公平调优算法在无法实现完全公平时进行SP与PP的权衡。
2026-07-13 cs.AI cs.CY cs.LG
Robust Bayesian causal estimation for causal inference in medical diagnosis
本文针对高维医学诊断中的因果效应估计问题,提出基于先验敏感性分析的谨慎贝叶斯组LASSO变量选择框架,并证明在信息有限时弃权选择或专家启发式选择可提升因果估计的稳定性。
2024-11-19 stat.AP stat.ME
Generalized Bayes for Causal Inference
Munich Center for Machine Learning(慕尼黑机器学习中心)
本文提出了一种广义贝叶斯框架,用于因果推断,通过直接在因果估计量上放置先验并利用驱动识别的损失函数,实现对因果效应的完整不确定性量化。
2026-11-17 cs.LG stat.ML
Latent Variable Models for Bayesian Causal Discovery
Mila - Québec AI Institute(米拉-魁北克人工智能研究所);McGill University(麦吉尔大学);ÉTS Montréal(蒙特利尔高等技术学院)
学习不依赖于虚假相关性的预测器涉及构建因果表示。然而,学习这样的表示是非常具有挑战性的。因此,我们制定了从高维数据中学习因果表示的问题,并研究了因果恢复与合成数据。这项工作介绍了一个潜在的变量解码器模型,解码器BCD,贝叶斯因果发现,并在轻度监督和无监督的设置进行实验。我们提出了一系列的合成实验来表征因果发现的重要因素,并表明使用已知的干预目标作为标签有助于无监督贝叶斯推理的结构和参数的线性高斯加性噪声潜在的结构因果模型。
2022-08-11 cs.AI cs.LG stat.ML
A flexible approach to sequential prediction under intervention
University of Manchester(曼彻斯特大学);University of Cambridge(剑桥大学)
本文提出了一种灵活的因果预测框架,用于在干预下估计风险,通过三种模型分别处理中介变量、多个干预和基线与干预模型的结合,以提高预测性能。
2026-09-18 stat.ME
Causal inference using invariant prediction: identification and confidence intervals
MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);ETH Zürich(苏黎世联邦理工学院);Seminar für Statistik(统计研讨会)
本文提出利用因果模型预测在不同实验设置和干预下的不变性进行因果推断,通过收集预测准确性不变的模型集合来识别因果预测变量,并在一般场景下提供有效的置信区间。
2015-11-24 cs.LG stat.ME
Learning Generalized Causal Structure in Time-series
Institute of Computer Science of the Czech Academy of Sciences(捷克科学院计算机科学研究所);Indian Institute of Technology, Kharagpur(印度理工学院卡拉格普尔分校);National Institute of Advanced Studies(印度国家高等研究院)
因果关系科学通过提供数学工具来解释/确定系统实体之间的“因果”关系。尽管机器学习(ML)算法取得了巨大的成功和广泛的应用,但这些算法都是基于统计学习的。目前,他们还没有接近“类人”智能,因为他们无法回答和学习的基础上重要的“为什么?”“问题。因此,研究人员正试图将ML与因果关系科学相结合。在ML遇到的许多因果学习问题中,一个是这些算法对数据中的时间顺序或结构是愚蠢的。在这项工作中,我们开发了一个机器学习管道的基础上最近提出的“神经混沌”的特征学习技术(ChaosFEX特征提取器),这有助于我们学习广义混沌结构在给定的时间序列数据。
2021-12-06 cs.LG stat.ML
Assessing the overall and partial causal well-specification of nonlinear additive noise models
本文提出一种检测非线性加性噪声模型中设定错误的方法,并识别在模型误设下仍可推断因果效应的预测变量,通过通用框架和有限样本算法在模拟与真实数据上验证其性能。
2024-03-27 stat.ME stat.ML
A Neural Framework for Generalized Causal Sensitivity Analysis
LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心);UCLA(加州大学洛杉矶分校);University of Cambridge(剑桥大学)
本文提出神经框架 NeuralCSA,利用条件归一化流学习干预引起的潜在分布偏移,在多种敏感性模型、二值或连续处理及多种因果查询下推断有效因果界限。
2024-04-09 cs.LG stat.ML
Switching Regression Models and Causal Inference in the Presence of Discrete Latent Variables
给定响应$Y$和$d$预测因子的向量$X = (X^1, \dots, X^d)$,我们研究在向量$X$中推断$Y$的直接原因的问题。使用其所有因果协变量作为预测因子的$Y$模型具有在不同环境或干预设置中保持不变的特性。鉴于来自这种环境的数据,这种属性已被用于因果发现。在这里,我们扩展这个推理原则的情况下,一些(离散值)的直接原因$ Y $是未观察到的。这种情况自然会引起切换回归模型。给出了高斯噪声线性切换回归模型极大似然估计存在、相合和渐近正态性的充分条件,并构造了这类模型的相等性检验.这些结果使我们能够证明所提出的因果发现方法在温和的条件下获得渐近错误发现控制。我们提供了一个算法,使可用的代码,并测试我们的方法模拟数据。它对模型违规具有鲁棒性,并且优于最先进的方法。我们进一步将我们的方法应用于真实的数据集,在那里我们表明它不仅输出因果预测因子,而且还输出基于过程的数据点聚类,这可能会引起从业者的额外兴趣。
2020-03-11 math.ST stat.ME stat.TH
Generalized Independent Noise Condition for Estimating Latent Variable Causal Graphs
Guangdong University of Technology(广东工业大学);Peking University(北京大学);Pazhou Lab(琶洲实验室);Carnegie Mellon University(卡内基梅隆大学);Foshan University(佛山大学)
因果发现旨在恢复观察到的数据背后的因果结构或模型。尽管它在某些领域取得了成功,但大多数现有方法都集中在观测变量之间的因果关系上,而在许多情况下,观测变量可能不是潜在的因果变量(例如,图像像素),但是由潜在的因果变量或因果相关的混淆因素产生。为此,在本文中,我们考虑线性,非高斯潜变量模型(LiNGLaMs),其中潜在的混杂因素也是因果相关的,并提出了一个广义独立噪声(GIN)的条件来估计这样的潜变量图。具体地,对于两个观察到的随机向量$\mathbf{Y}$和$\mathbf{Z}$,当且仅当$ω^{\intercal}\mathbf{Y}$和$\mathbf{Z}$在统计上独立时,GIN成立,其中$ω$是由$\mathbf{Y}$和$\mathbf{Z}$之间的互协方差表征的参数向量。从图形的角度来看,粗略地说,GIN意味着$\mathbf{Y}$中变量的因果上较早的潜在共同原因将$\mathbf{Y}$与$\mathbf{Z}$分开。有趣的是,我们发现独立噪声条件,即,如果不存在混杂因素,原因是独立的,回归误差对原因的影响,可以看作是GIN的一个特例。此外,我们表明,GIN有助于定位潜在变量,并确定其因果结构,包括因果方向。我们进一步开发了一个递归的学习算法来实现这些目标。在合成数据和真实数据上的实验结果证明了该方法的有效性。
2020-11-18 cs.LG stat.ML
Evolutionary Causal Discovery with Relative Impact Stratification for Interpretable Data Analysis
Waseda University(早稻田大学)
研究提出ECD方法,结合遗传编程与RIS算法解析变量关系并评估相对影响,通过表达式树增强可解释性,在合成和真实EHR数据上验证了其高准确性与稳定性。
2024-04-25 cs.LG cs.NE cs.SC
Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests
Google Research(谷歌研究院);University of Chicago(芝加哥大学)
非正式地说,“虚假相关性”是指模型对分析师认为不重要的输入数据的某些方面的依赖。在机器学习中,这些具有“当你看到它时就知道”的特性;例如,改变句子主语的性别会改变情感预测器的输出。为了检查虚假的相关性,我们可以通过扰动输入数据的不相关部分来“压力测试”模型,看看模型预测是否会改变。在本文中,我们使用因果推理的工具来研究压力测试。我们引入反事实不变性作为要求的形式化,即改变输入的不相关部分不应该改变模型预测。我们连接反事实的不变性的领域模型的性能,并提供实用的方案学习(近似)反事实不变的预测(不访问反事实的例子)。事实证明,反事实不变性的手段和含义从根本上取决于数据的真正潜在因果结构-特别是,是标签导致特征还是特征导致标签。不同的因果结构需要不同的正则化方案来诱导反事实不变性。同样,反事实不变性意味着不同的域转移保证取决于潜在的因果结构。这一理论得到了文本分类的实证结果的支持。
2021-11-02 cs.AI cs.LG stat.ML
Sample-Specific Root Causal Inference with Latent Variables
根本原因分析旨在确定导致不希望的结果的初始扰动集。在之前的工作中,我们使用预测结构方程模型中诊断的外源误差项来定义特定于样本的疾病根本原因。我们使用Shapley值严格量化预测性。然而,用于推断根本原因的相关算法假设没有潜在的混杂。我们通过允许预测变量之间的混杂来放松这一假设。然后,我们介绍了一个相应的程序,称为提取误差与潜在的(EEL)恢复的误差项污染的顶点在某些路径下的线性非高斯非循环模型。EEL还确定了快速计算Shapley值的相关误差的最小集合。该算法绕过了在这两种情况下估计潜在的因果图的困难问题。实验突出了优越的准确性和鲁棒性的EEL相对于它的前辈。
2022-10-27 cs.LG stat.AP stat.ML
Learning for Counterfactual Fairness from Observational Data
University of Virginia(弗吉尼亚大学);Bytedance Research(字节跳动研究院)
针对因果模型未知导致反事实公平预测困难的问题,本文提出 CLAIRE 框架,利用反事实数据增强与不变惩罚进行表示学习,在合成及真实数据上提升公平性与预测效果。
2023-07-17 cs.CY cs.LG stat.ML
Causal Inferences in Small Area Estimation
在进行影响评价和进行因果推断时,重要的是要认识到不同领域(地理、社会人口统计学或社会经济学)的处理效应的异质性。如果感兴趣的域相对于其样本量较小(在某些情况下甚至为零),则评价者已进入小面积估计(SAE)困境。本文在对逆倾向加权估计和传统小区域预测方法进行改进的基础上,提出了一种新的非规划区域平均处理效应的区域特异性估计方法。通过这些方法,我们还可以提供政策影响图,这有助于更好地针对治疗组。我们开发的分析均方误差(MSE)估计建议的预测。一个广泛的模拟分析,也基于真实数据,表明所提出的技术在大多数情况下导致更有效的估计。
2021-03-11 stat.ME
Identifying predictive biomarkers of CIMAvaxEGF success in advanced Lung Cancer Patients
目的:确定CIMAvaxEGF成功治疗非小细胞肺癌患者的预测生物标志物。研究方法:根据因果推断方法,对评估CIMAvax-EGF与最佳支持治疗对生存时间影响的临床试验数据进行回顾性分析。治疗前潜在的预测生物标志物包括基础血清EGF浓度、外周血参数和免疫衰老生物标志物(CD 8 + CD 28- T细胞比例、CD 4+和CD 8 + T细胞比例、CD 4-CD 8比例和CD 19 + B细胞比例)。纳入了33例信息完整的患者。计算所有可能模型的预测因果信息(PCI)。选择具有最少数量的预测因子但具有高预测准确度(PCI>0.7)的模型。使用治疗成功的预测概率确定良好、罕见和不良反应患者。结果:PCI的平均值从仅考虑一个预测因素时的0.486增加到使用所有预测因素的多变量方法时的0.98。选择考虑CD 4 + T细胞比例、基础EGF浓度、NLR、单核细胞和中性粒细胞作为预测因子的模型(PCI>0.74)。与对照组相比,根据用CIMAvax-EGF治疗的治疗前生物标志物值预测为良好应答者的患者具有显著更高的观察到的存活率(p=0.03)。不良反应者无差异。结论:外周血参数和免疫衰老生物标志物与血清中的基础EGF浓度一起导致CIMAvax-EGF在晚期NSCLC中成功的良好预测因子。该研究说明了一种新的方法,基于因果推断,评估多变量治疗前预测因素的应用
2019-11-12 stat.AP
Learning Generalized Gumbel-max Causal Mechanisms
Technion(以色列理工学院);Google Research(谷歌研究院);University of Toronto(多伦多大学);Vector Institute(向量研究所)
为了在结构因果模型(SCM)中执行反事实推理,人们需要知道因果机制,它提供了将条件分布分解为噪声源和将噪声实现映射到样本的确定性函数。不幸的是,因果机制并不是通过观察和与世界互动收集的数据唯一确定的,因此仍然存在如何选择因果机制的问题。在最近的工作中,Oberst & Sontag(2019)提出了Gumbel-max SCM,由于直观上吸引人的反事实稳定性,它使用Gumbel-max重新参数化作为因果机制。在这项工作中,我们反而主张选择一个因果机制,这是最好的定量标准,如最小化方差时,估计反事实的治疗效果。我们提出了一个参数化的因果机制,推广Gumbel-max。我们表明,他们可以训练,以尽量减少反事实效应方差和其他损失的分布查询的兴趣,产生较低的方差估计的反事实处理效果比固定的替代品,也推广到查询没有看到在训练时。
2021-11-11 cs.LG stat.CO stat.ML
Optimal testing in linear models with implications for causal inference
College of Community and Global Health, Rady Faculty of Health Sciences, University of Manitoba(曼尼托巴大学拉迪健康科学学院社区与全球健康学院)
本文证明多元回归中系数t检验为一致最优势无偏检验,利用Gram-Schmidt分解改进功效,并讨论其对研究设计的影响。
2026-09-29 math.ST stat.TH
Estimation of interventional effects of features on prediction
预测机制相对于潜在预测问题的可解释性往往是不清楚的。虽然有几项研究集中在开发具有有意义的参数的预测模型,但尚未考虑预测因子与实际预测之间的因果关系。在这里,我们将数据生成过程的潜在因果结构和预测机制的因果结构连接起来。为了实现这一点,我们提出了一个框架,确定的功能与预测的最大因果影响,并估计必要的因果干预的功能,使所需的预测得到。框架的一般概念对数据线性没有限制;但是,我们在这里关注线性数据的实现。该框架的适用性进行评估,使用人工数据,并证明使用真实世界的数据。
2017-09-03 stat.ML
Diffusion Causal Models for Counterfactual Estimation
The University of Edinburgh(爱丁堡大学)
我们认为任务的反事实估计从观测成像数据给定一个已知的因果结构。特别是,用神经网络量化高维数据干预的因果效应仍然是一个开放的挑战。在这里,我们提出了Diff-SCM,这是一个基于生成能量模型最新进展的深层结构因果模型。在我们的设置中,推理是通过对因果模型所涉及的边缘和条件分布的梯度进行迭代采样来执行的。反事实的估计是通过首先推断潜变量与确定性的前向扩散,然后使用反因果预测w.r.t的输入的梯度上的反向扩散过程进行干预。此外,我们提出了一个度量生成的反事实。我们发现Diff-SCM比MNIST数据的基线产生更真实和最小的反事实,也可以应用于ImageNet数据。代码可从https://github.com/vios-s/Diff-SCM获得。
2022-02-21 cs.CV cs.LG
Ensembled Prediction Intervals for Causal Outcomes Under Hidden Confounding
USC Information Sciences Institute(南加州大学信息科学研究所)
本文提出 Caus-Modens 方法,利用深度集成结构结合因果敏感性模型,在隐藏混杂下获得更紧的因果结果预测区间,并通过三个基准验证其有效性。
2023-11-01 cs.AI cs.LG stat.ME
Generating Causal Temporal Interaction Graphs for Counterfactual Validation of Temporal Link Prediction
University of Oxford(牛津大学)
本文提出通过生成因果时间交互图来验证时间链接预测模型的反事实性,引入结构方程模型并提出基于预测误差的距离度量,用于评估因果模型的鲁棒性。
2026-02-02 cs.LG cs.SY eess.SY
Variable Selection for Doubly Robust Causal Inference
混杂控制对于基于观察性研究的因果推断来说至关重要,但也具有挑战性。在典型的无混淆假设下,增广逆概率加权(AIPW)因其双重稳健性而被广泛用于估计平均因果效应(ACE),因为它依赖于正确指定的倾向得分模型或结果均值模型。为了确保关键假设成立,通常会努力收集足够丰富的预处理变量集,从而使变量选择势在必行。众所周知,为准确预测而针对倾向得分的变量选择可以通过包括工具变量来产生可变ACE估计量。因此,许多最近的工作建议选择所有的结果预测混杂控制和有效的估计。本文表明,AIPW估计与变量选择的目标是有效的估计可能会失去理想的双重鲁棒性。相反,我们建议控制任何协变量的倾向得分模型,该协变量是治疗或结局或两者的预测因子,这保留了AIPW估计量的双重稳健性。利用这一原则,我们提出了一个两阶段的过程与惩罚变量的选择和AIPW估计估计。我们所提出的程序的好处,从理想的双重鲁棒性。我们评估有限样本性能的AIPW估计与各种变量的选择标准,通过模拟和应用。
2023-01-26 stat.ME
FairCauseSyn: Towards Causally Fair LLM-Augmented Synthetic Data Generation
University of California, Irvine(加州大学尔湾分校)
提出首个LLM增强的合成数据生成方法FairCauseSyn,在健康表格数据上实现因果公平,偏差小于10%,并将敏感属性偏差降低70%。
2025-06-23 cs.AI cs.LG
Using LLMs to Directly Guess Conditional Expectations Can Improve Efficiency in Causal Estimation
Yale University(耶鲁大学)
本文提出利用 LLM 生成的预测直接作为预测变量,以提升双重机器学习中条件期望函数的估计性能,从而有效克服高维混淆因子下的维度灾难并提高因果估计效率。
2025-10-09 cs.LG stat.ME
A step towards the applicability of algorithms based on invariant causal learning on observational data
Universidad Politécnica de Madrid(马德里理工大学)
针对观测数据缺乏多环境的问题,提出一种高效生成训练环境的方法,将其与ICP结合用于因果发现,并改进以适用于多协变量数据集。
2023-04-05 cs.LG stat.ME
A Model of Causal Explanation on Neural Networks for Tabular Data
Sony Computer Science Laboratories, Inc.(索尼计算机科学实验室)
本文提出CENNET模型,通过结合结构因果模型为神经网络预测提供因果解释,并在分类任务中通过实验验证其有效性。
2025-12-25 cs.AI cs.LG
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
Learned Causal Method Prediction
Carnegie Mellon University(卡内基梅隆大学);Microsoft Research(微软研究院)
针对因果推断中难以选择最优方法的问题,提出CAMP框架,通过合成数据训练结合自监督预学习预测最优因果方法,在因果发现任务中效果优于单一方法且泛化性良好。
2023-11-08 cs.AI cs.LG stat.ME
Causal vs. Anticausal merging of predictors
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Amazon(亚马逊)
该研究对比因果与反因果方向下的预测器合并差异,以CMAXENT为归纳偏置,证明全二元分布观测下解分别退化为逻辑回归和LDA,并分析部分观测时决策边界差异及对OOV泛化的影响。
2025-01-14 cs.AI cs.LG stat.ME
A New Covariate Selection Strategy for High Dimensional Data in Causal Effect Estimation with Multivariate Treatments
协变量的选择对于估计具有高维甚至超高维预处理变量的观察数据的平均处理效应至关重要。针对该问题的现有方法通常假设用于结果和单变量治疗的稀疏线性模型,并且不能处理具有超高维协变量的情况。本文提出了一种新的协变量选择策略--双重筛选先验自适应套索(DSPAL),用于多变量治疗中混杂变量和预测变量的选择,该策略将自适应套索方法与边缘条件(不)依赖先验信息相结合来选择目标协变量,以消除混杂偏倚,提高统计效率。我们的建议的显着特点是,它可以应用于高维甚至超高维协变量的多变量处理,并可以处理参数和非参数结果模型的情况下,这使得它比其他方法更强大。理论分析表明,该方法具有一定的筛选性、排序一致性和变量选择一致性。通过模拟研究,我们证明了所提出的方法选择所有的混杂因素和预测一致,估计多变量的处理效应更小的偏差和均方误差相比,在各种情况下的几个替代品。在实际数据分析中,应用该方法估计了三维连续环境处理对胆固醇水平的因果效应,得到了有启发性的结果。
2023-03-17 stat.ME
Ordering-based Causal Discovery via Generalized Score Matching
Monash University(墨尔本大学);CSIRO’s Data61(CSIRO的数据61)
本文提出了一种基于通用分数匹配的因果发现方法,通过引入离散分数函数的叶判别准则,实现了对离散数据中真实因果顺序的准确推断,并提升了现有因果发现方法的准确性。
2026-07-28 cs.AI cs.LG
Causal-INSIGHT: Probing Temporal Models to Extract Causal Structure
Queen's University Belfast(贝尔法斯特女王大学)
本文提出Causal-INSIGHT框架,用于从训练好的时间预测模型中提取因果结构,通过干预启发的输入钳制分析,结合Qbic准则实现稀疏性与结构复杂度的平衡。
2026-03-26 cs.LG
Efficient Fairness Auditing Across Guidance Scales in Text-to-Image Diffusion Models via Causal Abstraction
University of Arkansas(阿肯色大学);University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
针对文本到图像扩散模型公平性审计计算开销大的问题,提出基于因果抽象的审计工具,通过顶层模型高效预测跨引导尺度的公平性查询,并在Stable Diffusion 1.5和StayFair上验证了其准确性和效率。
2026-09-10 cs.CV cs.LG
Causal Fine-Tuning under Latent Confounded Shift
University of Oxford, United Kingdom(牛津大学);Queen Mary University of London, United Kingdom(伦敦玛丽女王大学);Peking University, China(北京大学);University of Bristol, United Kingdom(布里斯托大学);King's College London, United Kingdom(伦敦国王学院);Hong Kong University of Science(香港科学大学);University College London, United Kingdom(伦敦大学学院)
本文提出Causal Fine-Tuning方法,通过结构因果模型分解表示为稳定高层和敏感低层成分,提升模型在存在潜在混杂偏移时的鲁棒性,实验显示优于其他基线方法。
2026-05-12 cs.CL cs.LG
Causal Discovery and Counterfactual Explanations for Personalized Student Learning
University of the Witwatersrand(威特沃特斯兰德大学)
本文将 PC 因果发现与反事实分析用于真实学生成绩数据,识别影响最终成绩的因果因素并生成个性化学习建议,同时讨论样本量、领域知识及实时验证等局限。
2023-09-18 cs.CY cs.LG stat.ME
Within-Person Variability Score-Based Causal Inference: A Two-Step Estimation for Joint Effects of Time-Varying Treatments
本文提出两步因果推断法,先用SEM计算剔除稳定特质的个体内变异性得分,再用MSM或带G估计的SNMM估计时变连续处理的联合效应。
2022-01-04 stat.ME
Do debit cards decrease cash demand? Evidence from a causal analysis using Principal Stratification
有人认为,交易技术的创新可能会改变代理人的现金持有行为,因为借记卡持有人可以从ATM机提取现金,也可以在零售商使用POS设备购买物品。在本文中,鲁宾因果模型内,我们调查的因果关系的影响,使用借记卡的家庭持有的现金库存的数据,从意大利家庭收入和财富调查(SHIW)。我们采用主体分层方法,将不使用这种支付工具的借记卡持有人的份额纳入其中。我们使用一个回归模型,将倾向得分作为单一预测因子,以调整观察到的协变量的不平衡。我们进一步发展了一个敏感性分析的方法来评估所提出的模型的敏感性违反的关键unconfoundedness假设。我们的实证结果表明,在意大利的家庭现金水平的借记卡统计上显着的负面影响。
2015-06-03 stat.AP
A generalized definition of the average causal effect for both binary and continuous treatments
因果推断的主要任务之一是估计定义良好的因果参数。其中一个主要的因果参数是平均因果效应(ACE)-目标人群中个体水平因果效应的预期值。对于二元治疗,个体水平的因果效应定义为潜在结果之间的对比。然而,对于连续的结果,在有限的样本中有许多这样的对比,从而阻碍了它们作为因果关系的有用总结的使用。在这里,我们提出了一个广义版本的ACE,其中个体水平的因果效应被定义为在个体具有的治疗值下评估的个体水平因果剂量反应函数的导数(相对于治疗)。该定义等同于二元治疗的常规定义,但也包含连续治疗。我们证明,这个数量可以在传统的因果假设下估计,并说明了模拟研究的理论思想。
2021-12-16 stat.ME
Generalized propensity score approach to causal inference with spatial interference
许多空间现象表现出治疗干扰,其中一个位置的治疗可能会影响其他位置的反应。由于干扰违反了稳定单位治疗值假设,因此因果推断的标准方法不适用。我们提出了一个新的因果框架,以恢复直接和溢出效应的空间干扰的存在下,考虑到治疗在附近的位置比治疗更有影响力的位置进一步分开。在没有未测量的混杂假设下,我们证明了广义倾向得分足以消除所有测量的混杂。为了减少维数问题,我们提出了一个贝叶斯样条为基础的回归模型占一个足够的变量集的广义倾向得分。仿真研究证明了准确性和覆盖性能。我们应用该方法来估计2005- 2018年美国西部野火对空气污染的因果影响。
2020-06-30 stat.ME
Generalized coarsened confounding for causal effects: a large-sample framework
本文提出广义粗化混杂框架,将混杂变量聚类后估计处理效应与方差,建立一般渐近理论、一致性条件及偏差校正方法,并应用于两项观察性研究。
2025-07-03 math.ST stat.AP stat.ME
Socioeconomic Drivers of Physical Morbidity Across U.S. Counties: A Spatial Causal Inference Approach
University of West Florida(西佛罗里达大学);Florida State University(佛罗里达州立大学)
本研究采用双稳健广义倾向得分估计器结合空间谱基函数,识别美国各县社会经济因素对身体不健康天数的影响。
2026-06-03 stat.AP