Implicit Causal Representation Learning via Switchable Mechanisms
University of Waterloo(滑铁卢大学);Simon Fraser University(西蒙菲莎大学)
针对软干预下因果模型学习的挑战,提出基于可切换机制的隐式因果表示学习方法ICLR-SM,通过机制切换变量建模软干预效果,实验显示其在可识别因果表示学习上优于基线方法。
2024-08-16 cs.LG
Causal Intelligence for Constraint-Aware Intervention Design to Induce State Transitions
MRL, Merck & Co., Inc.(MRL,默克公司)
提出COAST方法,通过因果图学习和约束感知多目标优化,从数据中设计干预策略以实现系统状态转换。
2026-05-27 cs.LG
Estimating the average causal effect of intervention in continuous variables using machine learning
NTT DATA Mathematical Systems Inc.(NTT数据数学系统公司)
最广泛讨论的估计平均因果效应/平均处理效应的方法是离散二元变量的干预方法,其值代表干预/非干预组。另一方面,用于干预独立于数据生成模型的连续变量的方法尚未开发。在这项研究中,我们给出了一种方法来估计平均因果效应的干预连续变量,可以应用于任何生成模型的数据,只要因果效应是可识别的。该方法不依赖于机器学习算法,并保持了数据的可识别性。
2022-03-16 cs.LG stat.ML
Causal Bandits: Learning Good Interventions via Causal Inference
Australian National University(澳大利亚国立大学);Data61/NICTA(Data61/国家信息与通信技术研究院);University of Alberta(阿尔伯塔大学)
我们研究了使用因果模型来提高在随机环境中可以在线学习良好干预措施的速度的问题。我们的形式主义相结合的多臂土匪和因果推断模型的一种新型的土匪反馈,不利用现有的方法。我们提出了一个新的算法,利用因果反馈,并证明其简单的遗憾,严格优于(在所有数量)比不使用额外的因果信息的算法的约束。
2016-06-10 cs.LG stat.ML
Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm
ETH Zürich(苏黎世联邦理工学院);MPI for Intelligent Systems(智能系统研究所)
针对单变量干预数据因果结构学习的应用难题,提出新干预忠实性变体与因果序评分,证明理论保证,设计Intersort算法,在模拟基准中表现优于现有基线方法。
2025-05-19 cs.LG
Relaxing Faithfulness with Intervention-Only Causal Discovery
Thayer School of Engineering Dartmouth College(达特茅斯学院塞耶工程学院);Broad Institute of MIT and Harvard(麻省理工学院和哈佛大学布罗德研究所);Massachusetts Institute of Technology(麻省理工学院)
研究因果发现算法,指出常见流程中第一步的忠实性假设在自然系统中常被违反。提出干预即时忠实性假设,表明其足以用硬干预非参数识别因果结构,将干预作为因果结构信息主要载体,还针对干预范围有限情况指定等价类。
2026-07-14 cs.LG stat.ML
The Causal Uncertainty Principle: Manifold Tearing and the Topological Limits of Counterfactual Interventions
University of Science and Technology of China(中国科学技术大学)
本文探讨了反事实干预的几何挑战,提出了反事实事件地平线和流形撕裂定理,建立了因果不确定性原理,并引入了Geometry-Aware Causal Flow算法。
2026-03-18 cs.LG
Collaborative Causal Discovery with Atomic Interventions
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);Amazon(亚马逊)
我们引入了一个新的协作因果发现问题,通过该问题,我们模拟了一个常见的场景,其中我们有多个独立的实体,每个实体都有自己的因果图,目标是同时学习所有这些因果图。我们研究这个问题没有因果充分性假设,使用最大祖先图(MAG)模型的因果图,并假设我们有能力积极执行独立的单顶点(或原子)干预的实体。如果$M$底层(未知)的因果图的实体满足聚类的自然概念,我们给出算法,利用这个属性,并恢复所有的因果图使用大致对数的$M$原子干预每个实体。这些显著少于分别学习每个因果图所需的每个实体的$n$原子干预,其中$n$是因果图中可观察节点的数量。我们补充我们的结果与下限,并讨论我们的合作设置的各种扩展。
2021-06-06 cs.AI cs.LG
Feature Matching Intervention: Leveraging Observational Data for Causal Representation Learning
Purdue University(普渡大学)
针对观测数据因果发现中缺乏完美干预难以区分因果特征的挑战,提出 Feature Matching Intervention (FMI) 方法,通过匹配过程模拟完美干预并构建因果潜图框架,理论证明其具有强分布外泛化能力,实验验证了其在仅用观测数据有效识别因果特征上的优越性。
2025-03-05 cs.LG stat.ME stat.ML
Test-Time Learning of Causal Structure from Interventional Data
HKUST(香港科技大学);HKUST(GZ)(香港科技大学(广州));Microsoft Research(微软研究院);Sony Research(索尼研究院);NUS(国立新加坡大学)
TICL通过结合测试时训练与联合因果推断,有效解决干预数据中因果结构学习的泛化问题,提升因果发现和干预目标检测性能。
2026-02-22 cs.AI cs.LG
SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets
School of Electrical and Computer Engineering, Georgia Institute of Technology(佐治亚理工学院电气与计算机工程学院)
SCOUT提出一种新框架,通过最大化数据对数似然恢复图结构,利用合同残差流和神经样条流,实现从软干预数据中学习非线性循环因果关系,优于现有方法。
2026-05-15 cs.LG
Causal Network Learning from Multiple Interventions of Unknown Manipulated Targets
Peking University(北京大学)
在本文中,我们讨论了因果网络的结构学习从外部干预实验中获得的多个数据集,我们不知道什么变量被操纵。例如,这些实验中的条件通过改变温度或使用药物来改变,但我们不知道外部干预措施操纵了哪些目标变量。从这样的数据集,结构学习变得更加困难。对于这种情况,我们首先讨论因果结构的可识别性。接下来,我们提出了一个图合并的方法来学习因果网络的情况下,样本量是大的这些干预措施。然后,对于这些干预措施的样本量相对较小的情况下,我们提出了一个数据池的方法来学习因果网络,我们池这些干预措施的所有数据集在一起的学习。此外,我们提出了一种重新采样的方法来评估的因果网络的边缘学习的数据池方法。最后,我们通过仿真来说明所提出的学习方法。
2016-10-27 cs.LG stat.ML
Towards intervention-centric causal reasoning in learning agents
University of Pennsylvania(宾夕法尼亚大学)
干预是因果学习和推理的核心。然而,最终干预是一种抽象:嵌入在物理环境中的代理(可能被建模为马尔可夫决策过程)通常不具备干预的概念-其动作空间通常以自我为中心,没有“干预X”形式的动作。以自我为中心的行动和干预之间的这种对应关系对于硬编码来说是具有挑战性的。相反,如果智能体学习哪些动作序列允许它对环境进行有针对性的操作,并学习相应的表示,允许从观察中学习,那就更好了。在这里,我们展示了如何使用元学习方法在这种具有挑战性的环境中进行因果学习,其中动作空间不是一组干预措施,观察空间是一个具有潜在因果结构的高维空间。Meta强化学习算法用于学习在观察因果学习任务上转移的关系。这项工作展示了深度强化学习和元学习的进步如何在具有潜在因果结构的高维环境中提供以干预为中心的因果学习。
2020-05-26 cs.LG stat.ML
Differentiable Causal Discovery Under Latent Interventions
LUMLIS (Lisbon ELLIS Unit)(里斯本ELLIS单元LUMLIS);Instituto de Telecomunicações(电信研究所);Unbabel(Unbabel公司)
最近的工作表明,即使在干预变量未知的情况下,通过利用基于梯度的方法的干预数据,在因果发现方面也取得了可喜的成果。然而,以前的工作假设样本和干预措施之间的对应关系是已知的,这往往是不现实的。我们设想一个场景,从多个干预分布和一个观察分布中采样大量数据集,但我们不知道每个样本的来源分布以及干预如何影响系统\textit{i.e.},干预完全是潜在的。我们提出了一种基于神经网络和变分推理的方法,该方法通过将其构建为学习干预结构因果模型的无限混合物(根据狄利克雷过程先验)之间的共享因果图来解决这种情况。合成和真实数据的实验表明,我们的方法及其半监督变体能够在这种具有挑战性的情况下发现因果关系。
2022-03-04 cs.LG stat.ME
Info Intervention
University of Science and Technology of China(中国科学技术大学);University of Hong Kong(香港大学)
基于行为干预的因果图是形式化、处理和理解变量间因果关系的有效工具。然而,do干预对不可操纵变量的因果关系问题的解释存在争议,而且它也缺乏检查与反事实变量相关的条件的权力。本文介绍了一种新的信息干预,以解决这两个问题,并提供了因果图的沟通和理论焦点的基础上,这种信息干预。我们的信息干预是对因果机制的输入/输出信息进行干预,而行为干预是对因果机制进行干预。因此,在信息干预框架下,因果关系被视为信息传递。作为推广,本文还提出并研究了广义信息干预。
2020-06-02 cs.AI cs.LG stat.ME
Resolving Spurious Correlations in Causal Models of Environments via Interventions
Google Research(谷歌研究院)
因果模型给决策系统(或代理)带来了许多好处,使它们具有可解释性,样本效率和对输入分布变化的鲁棒性。然而,虚假的相关性可能导致错误的因果模型和预测。我们考虑了强化学习环境的因果模型的推断问题,并提出了一种处理虚假相关性的方法。具体来说,我们的方法设计了一个奖励函数,激励代理进行干预,以发现因果模型中的错误。从干预中获得的数据用于改进因果模型。我们提出了几种干预设计方法,并比较它们。在网格世界环境中的实验结果表明,我们的方法导致更好的因果模型相比,基线:学习模型的数据从一个随机的政策或政策训练的环境的奖励。主要贡献包括设计干预措施,以解决虚假的相关性的方法。
2020-12-07 cs.LG stat.ML
Causal Adversarial Network for Learning Conditional and Interventional Distributions
Arizona State University(亚利桑那州立大学);Army Research Lab(陆军研究实验室)
我们提出了一个生成式因果对抗网络(CAN),用于从条件和干预分布中学习和采样。与需要给出因果图的现有CauseGAN相比,我们提出的框架从数据中学习因果关系并相应地生成样本。建议的CAN包括一个双重的过程,即标签生成网络(LGN)和条件图像生成网络(CIGN)。LGN是一种基于GAN的架构,它通过标签从因果模型中学习和采样。然后将采样的标签馈送到CIGN,CIGN是一种条件GAN架构,它学习标签和像素以及像素本身之间的关系,并基于它们生成样本。该框架配备了干预机制,可以实现。该模型用于从介入分布生成样本。我们定量和定性地评估CAN的性能,并根据经验表明,我们的模型能够生成干预性和条件性样本,而无需访问CelebA数据上人脸生成应用的因果图。
2020-09-21 cs.LG stat.ML
BaCaDI: Bayesian Causal Discovery with Unknown Interventions
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);IBM Research Zürich(苏黎世IBM研究院)
从实验中推断因果结构是许多领域的中心任务。例如,在生物学领域,最新进展使我们能够在药物或基因敲除等多种干预措施下获得单细胞表达数据。然而,干预措施的目标往往不确定或未知,观察次数有限。因此,标准的因果发现方法不再能够可靠地使用。为了填补这一空白,我们提出了一个贝叶斯框架(BaCaDI),用于发现和推理各种未知的实验或干预条件下生成的数据的因果结构。BaCaDI是完全可微的,这使我们能够通过有效的基于梯度的变分推理来推断干预目标和因果结构的复杂联合后验。在综合因果发现任务和模拟基因表达数据的实验中,BaCaDI在识别因果结构和干预目标方面优于相关方法。
2023-02-23 cs.LG stat.ME stat.ML
Active Learning for Optimal Intervention Design in Causal Models
Massachusetts Institute of Technology(麻省理工学院);Broad Institute of MIT and Harvard(麻省理工学院和哈佛大学布罗德研究所);Harvard University(哈佛大学)
本文提出融合贝叶斯因果模型与闭式因果采集函数的主动学习方法,以更少实验高效识别最优干预,并在合成数据和 Perturb-CITE-seq 单细胞数据上验证其优势。
2023-08-16 cs.LG stat.ME
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
Causal Discovery in Action: Learning Chain-Reaction Mechanisms from Interventions
University of Bath(巴斯大学)
研究针对具有方向性链式结构的系统,提出通过阻断干预识别因果结构的方法,实现有限样本下的准确估计。
2026-04-03 cs.AI cs.LG
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence(莫莫德·本·扎耶德人工智能大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出了一种新的因果公式,通过建模后处理选择和干预反应,识别因果关系、潜在混杂因素和选择模式,提升因果发现的准确性。
2026-02-25 cs.LG stat.ME
Transferring Information Across Interventions in Causal Bayesian Optimization
Computer Science Department(计算机科学系)
提出图耦合因果贝叶斯优化方法,通过共享因果参数的不确定性连接不同干预效应,实现跨干预信息传递,在可识别线性高斯因果模型中证明低秩核性质和次线性遗憾界。
2026-05-31 cs.AI cs.LG stat.ML
Quickest Causal Change Point Detection by Adaptive Intervention
Tsinghua University(清华大学)
针对线性因果模型的变点监测,本文提出借助中心化集中因果传播变化、基于 KL 散度选择干预节点和干预值,并采用两种兼顾探索与利用的自适应干预方法,证明其一阶最优性且通过仿真与真实案例验证。
2025-06-09 cs.LG stat.ML
Adversarial Causal Intervention Falsification
University of Calgary(卡尔加里大学)
本文针对生成模型可能编码错误因果结构的问题,提出对抗性因果干预证伪(ACIF)博弈,证明其理论性质并给出线性高斯示例,搭建了因果生成建模等领域的桥梁。
2026-08-10 cs.GT cs.LG econ.EM
Disentangling Causal Effects from Sets of Interventions in the Presence of Unobserved Confounders
Amazon(亚马逊);Spotify(声田);UCL(伦敦大学学院);Sharechat
回答因果问题的能力在许多领域都是至关重要的,因为因果推断使人们能够理解干预措施的影响。在许多应用中,在给定的时间只有单一的干预是可能的。然而,在一些重要领域,同时采取了多种干预措施。将单一干预措施的效果与联合实施的干预措施的效果区分开来是一项具有挑战性的任务,特别是因为同时实施的干预措施可能会相互作用。未观察到的混杂因素使这个问题变得更加困难,这些混杂因素影响治疗和结果。我们通过从观察数据和干预措施中了解单一干预措施的效果来应对这一挑战。我们证明,这是不可能的,但提供识别证明,证明它可以实现在非线性连续结构因果模型与加性,多变量高斯噪声-即使当未观察到的混杂因素存在。重要的是,我们展示了如何将观察到的协变量和学习异质性处理效应。基于可识别性证明,我们提供了一个算法,学习的因果模型参数,从不同的制度汇集数据,并联合最大化的组合似然。我们的方法的有效性是经验证明的合成和真实世界的数据。
2022-10-11 cs.LG stat.ML
Intervention and Conditioning in Causal Bayesian Networks
Cornell University(康奈尔大学)
本文针对因果贝叶斯网络中干预公式的条件概率计算难题,提出在简单且现实的独立性假设下可唯一估计干预概率(含充分性与必要性),并指出在假设成立时可用观测数据评估,意义重大。
2024-05-23 cs.AI cs.LG
Provable Guarantees on the Robustness of Decision Rules to Causal Interventions
University of Oxford(牛津大学)
决策规则对数据生成过程中的变化的鲁棒性对于决策系统的成功部署至关重要。这种转变可以被视为对因果图的干预,它捕捉了数据生成过程中的变化(可能是假设的),无论是由于自然原因还是对手的行动。我们认为因果贝叶斯网络和正式定义的干预鲁棒性问题,一种新的基于模型的决策函数的鲁棒性的概念,衡量最坏情况下的性能相对于一组干预措施,表示变化的参数和/或因果关系的影响。通过依赖于一个易于处理的表示贝叶斯网络的算术电路,我们提供了有效的算法,用于计算保证的上限和下限的干预鲁棒性概率。实验结果表明,该方法产生有用的和可解释的范围内的实际网络,铺平了道路,可证明因果关系的强大的决策系统。
2021-05-19 cs.AI cs.LG
Learning Mixtures of Unknown Causal Interventions
Massachusetts Institute of Technology(麻省理工学院);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学博德研究所);Microsoft Research(微软研究院)
针对干预数据生成受噪声干扰、呈现混合分布的问题,该研究在未知因果图的线性高斯SEMs中,证明do与软干预的分布特性可解耦混合数据,明确样本复杂度与干预强度负相关,可识别到干预马尔可夫等价类,并通过模拟验证了理论结果。
2024-10-31 cs.LG stat.ML
CausalGaze: Unveiling Hallucinations via Counterfactual Graph Intervention in Large Language Models
College of Electronic Engineering, National University of Defense Technology(国防科技大学电子工程学院);Anhui Province Key Laboratory of Cyberspace Security Situation Awareness and Evaluation(安徽省网络空间安全态势感知与评估重点实验室);Institute of Computer Application, China Academy of Engineering Physics(中国工程物理研究院计算机应用研究所)
CausalGaze通过反事实图干预揭示大语言模型的幻觉,利用结构因果模型提升模型可解释性,在四个数据集和三个常用LLM上实验表明其有效性,尤其在TruthfulQA数据集上比现有方法提升3.3%的AUROC。
2026-05-11 cs.LG
When Selection Meets Intervention: Additional Complexities in Causal Discovery
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)
本文针对干预研究中常被忽视的选择偏差问题,提出一种同时建模观测世界与反事实世界的图形模型及可证明可靠的算法,能够从软干预和未知目标数据中识别因果关系与选择机制,并通过实验验证其有效性。
2025-03-10 cs.LG
Interventional Causal Representation Learning
FAIR (Meta AI)(FAIR(Meta AI));Mila-Quebec AI Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);University of Michigan(密歇根大学)
本文研究干预数据对因果表示学习的促进作用,证明完美do干预可实现潜在因子在置换与缩放意义下的可识别性,非完美干预可实现块仿射识别,且无需对分布或依赖结构作任何假设。
2024-02-22 cs.LG stat.ML
Efficient Intervention Design for Causal Discovery with Latents
UMass Amherst(马萨诸塞大学阿默斯特分校);Amazon(亚马逊)
我们考虑在潜在变量的存在下恢复因果图,在那里我们寻求最小化恢复过程中使用的干预措施的成本。我们考虑两种干预成本模型:(1)线性成本模型,其中干预成本在变量子集上具有线性形式,以及(2)身份成本模型,其中干预成本相同,无论它是什么变量,即,目标只是尽量减少干预的次数。在线性成本模型下,我们给出了一个算法来识别潜在的因果图的祖先关系,实现在一个$2$ -因子的最优干预成本。对于任何$ε> 0$,在一些温和的限制下,该近似因子可以改进为$1+ε$。在身份成本模型下,我们通过一种特殊类型的碰撞器使用因果图的参数化来约束恢复整个因果图(包括潜在变量)所需的干预次数。特别是,我们引入的概念,$p$ -碰撞器,这是碰撞器对节点之间产生的因果图中的特定类型的条件,并提供一个上限的干预措施的数量作为因果图中的任何两个节点之间的$p$ -碰撞器的最大数量的函数。
2020-07-12 cs.DS cs.LG stat.ML
Active learning of causal probability trees
Technical University of Denmark(丹麦技术大学)
在过去的二十年里,人们对将因果信息(通常使用因果图表示)与机器学习模型相结合的兴趣越来越大。概率树为因果信息提供了一种简单而强大的替代表示。它们使干预和反事实的计算,严格来说更一般,因为它们允许上下文相关的因果依赖关系。在这里,我们提出了一种贝叶斯方法,从干预和观察数据的组合学习概率树。该方法量化了干预措施的预期信息增益,并选择具有最大增益的干预措施。我们证明了模拟和真实数据的方法的效率。在有限的干预预算上学习概率树的有效方法将大大扩展其适用性。
2022-05-17 cs.LG stat.ME
Bayesian Intervention Optimization for Causal Discovery
School of Computer Science, Peking University(北京大学计算机学院);School of Data Science, Fudan University(复旦大学数据科学学院);BIGAI(北京智源人工智能研究院)
针对主动因果发现中干预选择未面向决策的问题,提出受贝叶斯因子启发的贝叶斯优化方法,通过估计假设模型、预评估干预并迭代更新先验,提高获得决定性正确证据的概率。
2024-06-16 cs.LG stat.ML
Characterization and Learning of Causal Graphs from Hard Interventions
Johns Hopkins University(约翰霍普金斯大学);Purdue University(普渡大学)
本文研究硬干预下的因果图学习,提出基于do-calculus的图形约束刻画带潜变量因果图的干预等价类,并设计整合多干预数据集的学习算法,证明了其可靠性。
2025-11-02 cs.LG stat.ML
Causal Representation Learning from Network Data
Department of Statistics and Data Science, Northwestern University(统计与数据科学系,西北大学);Department of Biomedical Informatics, Harvard University(生物医学信息学系,哈佛大学);Department of Computer Science, University of Illinois Chicago(计算机科学系,伊利诺伊大学芝加哥分校)
提出GraCE-VAE,利用图神经网络编码器整合生物网络和通路信息,在软干预下识别潜在因果图与干预目标,实验证明利用结构化生物上下文可提升干预结果预测。
2026-06-08 cs.LG
A continuous Structural Intervention Distance to compare Causal Graphs
Indian Institute of Science(印度科学学院);Imperial College London(帝国理工学院);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所)
本文提出一种连续结构干预距离,通过结合底层数据与图结构,利用再生核希尔伯特空间中的条件均值嵌入和最大均值差异来度量真实与所学因果图的差异,并经理论与合成数据实验验证。
2023-07-31 cs.LG stat.ML
Causal Discovery under Off-Target Interventions
National University of Singapore(新加坡国立大学);Broad Institute of MIT and Harvard(麻省理工学院与哈佛大学博德研究所);Massachusetts Institute of Technology(麻省理工学院)
针对随机干预下的因果发现问题,提出涵盖胖手干预和CRISPR基因敲除的随机干预模型,并为验证与搜索问题提供了多对数竞争比的近似算法及初步实验结果。
2024-02-13 cs.DS cs.LG stat.ME
Linear Causal Disentanglement via Interventions
Broad Institute of MIT and Harvard(麻省理工学院和哈佛大学布罗德研究所);Harvard University(哈佛大学)
本文研究线性潜在因果模型下观测变量的因果解耦可识别性,证明每个潜在变量需至少一次干预以保证可识别性,提出基于推广RQ分解的证明方法,并通过实验验证了理论结果。
2023-06-11 cs.LG stat.ML
Linking Model Intervention to Causal Interpretation in Model Explanation
University of South Australia(南澳大学);RMIT University(皇家墨尔本理工大学);Hefei University of Technology(合肥工业大学)
本文研究模型干预效应何时具有因果解释的条件,将其与模型因果解释联系起来,并通过半合成数据集实验验证定理及展示其在模型解释中的潜力。
2024-10-21 cs.LG stat.ME
Matching a Desired Causal State via Shift Interventions
MIT(麻省理工学院)
将因果系统从给定的初始状态转换到期望的目标状态是一项重要的任务,渗透到包括控制理论,生物学和材料科学在内的多个领域。在因果模型中,这种转换可以通过执行一系列干预来实现。在本文中,我们考虑的问题,通过主动学习识别一个偏移干预,匹配系统的期望均值。我们定义的马尔可夫等价类,是可识别的移位干预,并提出了两个积极的学习策略,保证完全匹配所需的平均值。然后,我们推导出一个最坏情况下的下限所需的干预措施的数量,并表明这些策略是最佳的某些类的图。特别是,我们表明,我们的策略可能需要比以前考虑的方法,优化结构学习的基础因果图指数更少的干预。与我们的理论结果一致,我们还通过实验证明,与几个基线相比,我们提出的主动学习策略需要更少的干预。
2021-10-20 cs.LG stat.ME stat.ML
Bayesian causal inference via probabilistic program synthesis
University of Massachusetts(马萨诸塞大学);Massachusetts Institute of Technology(麻省理工学院)
因果推理可以形式化为贝叶斯推理,其结合了因果模型的先验分布和解释观察和干预的可能性。我们表明,它是可能的,以实现这种方法,使用一个充分表达的概率程序设计语言。先验表示使用概率程序生成的源代码在一个特定领域的语言。干预是使用概率程序,编辑这个源代码修改原始的生成过程。这种方法可以直接将来自原子干预的数据,以及转移干预,方差缩放干预和其他修改因果结构的干预。这种方法也使得使用通用推理机的概率程序推断可能的因果结构和参数的数据。这一摘要描述了一个原型,这种方法在Gen概率程序设计语言。
2019-10-30 cs.AI cs.LG
Intervention Efficient Algorithm for Two-Stage Causal MDPs
Indian Institute of Science(印度科学院);Adobe Research(Adobe研究院)
我们研究马尔可夫决策过程(MDP),其中状态对应于随机产生奖励的因果图。在这种设置中,学习者的目标是通过干预每个状态的变量来识别导致高回报的原子干预。推广最近的cabet-bandit框架,目前的工作发展(简单)的遗憾最小化保证两阶段的因果MDP,并行因果图在每个状态。我们提出了一个算法,实现了一个依赖于实例的遗憾界。我们的算法的一个关键特征是,它利用凸优化来解决勘探问题。我们确定类的情况下,我们的遗憾的保证基本上是紧的,并通过实验验证我们的理论结果。
2021-11-01 cs.AI cs.LG
A Causal Bandit Approach to Learning Good Atomic Interventions in Presence of Unobserved Confounders
Adobe Research(Adobe研究院);Technion Israel Institute of Technology(以色列理工学院)
我们研究的问题,确定最佳干预的因果贝叶斯网络(CBN)指定的因果图。我们将其建模为带有边信息的随机多臂强盗(MAB)问题,其中干预措施对应于强盗实例的武器。首先,我们提出了一个简单的遗憾最小化算法,作为输入的半马尔可夫因果图与原子干预和可能无法观察到的变量,并实现$\tilde{O}(\sqrt{M/T})$预期的简单遗憾,其中$M$是依赖于输入CBN,可以是非常小的相比,武器的数量。我们还表明,这几乎是最佳的CBN所描述的因果图具有$n$ ary树结构。我们简单的遗憾最小化的结果,上界和下界,subternal以前的结果在文献中,假设额外的结构限制的输入因果图。特别是,我们的研究结果表明,我们提出的算法的简单的遗憾保证只能通过考虑更细致入微的结构限制的因果图得到改善。接下来,我们提出了一种累积遗憾最小化算法,该算法将具有所有可观察节点和原子干预的一般因果图作为输入,并且比不考虑因果边信息的最优MAB算法表现得更好。我们还实验比较我们的算法与文献中最知名的算法。据我们所知,这项工作给出了第一个简单的和累积的遗憾最小化算法的CBN与原子干预下的一般因果图和未观察到的混杂因素。
2022-05-19 cs.AI cs.LG
Interventions, Where and How? Experimental Design for Causal Models at Scale
University of Oxford(牛津大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);KTH Royal Institute of Technology(瑞典皇家理工学院)
由于数据有限和不可识别性,从观察性和干预性数据中发现因果关系具有挑战性:这些因素在估计基础结构因果模型(SCM)时引入了不确定性。根据这两个因素产生的不确定性选择实验(干预措施)可以加快SCM的识别。现有的方法在实验设计因果关系的发现,从有限的数据要么依赖于线性假设的SCM或只选择干预目标。这项工作将贝叶斯因果发现的最新进展纳入贝叶斯最优实验设计框架,允许在选择干预目标和值的同时主动发现大型非线性SCM的因果关系。我们证明了所提出的方法在线性和非线性SCM以及\emph{in-silico}单细胞基因调控网络数据集DREAM上的合成图(Erdos-Rènyi,无尺度)上的性能。
2022-10-21 cs.AI cs.LG stat.ML
Dynamic Causal Bayesian Optimization
University of Warwick(华威大学);The Alan Turing Institute(阿兰·图灵研究所);Microsoft Research Cambridge(微软剑桥研究院)
本文研究了在一个因果动态系统中进行一系列最优干预的问题,其中目标变量和输入都随着时间的推移而变化。这个问题出现在各种领域,如系统生物学和运筹学。动态因果贝叶斯优化(DCBO)融合了顺序决策、因果推断和高斯过程(GP)仿真的思想。DCBO在图中的所有因果效应随时间变化的情况下很有用。在每个时间步长,DCBO通过整合从系统收集的观察数据和过去的干预数据来识别局部最佳干预。我们给出了理论结果,详细说明了如何可以跨时间步长传输干预信息,并定义了一个动态因果GP模型,该模型可用于量化不确定性,并在实践中找到最佳干预措施。我们展示了DCBO如何在多种环境和应用中比竞争方法更快地确定最佳干预措施。
2021-10-26 cs.LG stat.ML
Deciphering interventional dynamical causality from non-intervention complex systems
Research Institute of Intelligent Complex Systems & CISOR, Fudan University(智能复杂系统研究所及CISOR,复旦大学);International Research Center for Neurointelligence, The University of Tokyo Institutes for Advanced Study, The University of Tokyo(神经智能国际研究中心,东京大学先进研究所,东京大学);School of Pharmacy, Shanghai University of Traditional Chinese Medicine(上海中医药大学药学院);Institute of AI and Robotics, College of Intelligent Robotics and Advanced Manufacturing, Fudan University(人工智能与机器人研究所,智能机器人与先进制造学院,复旦大学);Frontiers Science Center for Deep Ocean Multispheres and Earth System, Key Laboratory of Marine Chemistry Theory and Technology, Ministry of Education, Ocean University of China(深海多球体与地球系统前沿科学中心,海洋化学理论与技术重点实验室,教育部,中国海洋大学);School of Mathematical Sciences and School of AI, Shanghai Jiao Tong University(数学科学学院和人工智能学院,上海交通大学);Key Laboratory of Systems Health Science of Zhejiang Province, Hangzhou Institute for Advanced Study, University of Chinese Academy of Sciences, Chinese Academy of Sciences(浙江省系统健康科学重点实验室,杭州高级研究所,中国科学院大学,中国科学院)
本文提出IntDC框架和IEE算法,通过延迟嵌入空间在不需干预或动力学模型的情况下,从观测数据中解码因果性,验证了其在因果分析中的有效性。
2025-07-30 cs.LG q-bio.QM stat.ME
A Causal Bootstrap for Diverse Image Generation under Unobserved Confounding
AWS AI Lab(亚马逊云科技AI实验室)
提出CauVaDE,基于规范增广SCM将未观测混杂因子分解为离散潜变量,通过熵正则化追踪可行干预分布族,在图像数据上生成多样化干预样本并提升FID。
2026-10-27 cs.LG
Causal Discovery by Interventions via Integer Programming
Arizona State University(亚利桑那州立大学);University of Pittsburgh(匹兹堡大学)
本文针对观测因果发现受混杂变量限制的问题,提出利用整数规划设计最小干预集,以保证因果结构可辨识,并通过多场景比较验证了方法的适用性与稳健性。
2024-12-02 cs.AI cs.LG stat.ML
Intervention-Based Time Series Causal Discovery via Simulator-Generated Interventional Distributions
Kyushu Institute of Technology(九州工业大学)
本文提出SVAR-FM框架,利用物理模拟器实现Pearl的do操作,通过物理约束消除混杂路径,利用条件流匹配学习非线性干预条件,理论证明结构VAR在覆盖条件下可识别,并通过四个科学领域实验验证其有效性。
2026-05-11 cs.AI cs.LG
Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions
University of Maryland, College Park, MD 20740, USA(马里兰大学 College Park 分校);Amazon Web Services(亚马逊网络服务)
针对域外干预改变事件序列因果动态的问题,提出超越i.i.d.假设的新因果框架定义ATE,设计无偏估计器与融合域外干预的Transformer模型,在ATE估计和拟合优度上优于基线。
2025-07-14 cs.LG stat.ML
Adaptive Online Experimental Design for Causal Discovery
Purdue University(普渡大学);University of Michigan(密歇根大学)
针对现有因果发现方法依赖无限干预数据的问题,本文从在线学习视角提出基于分配匹配的自适应追踪-停止因果发现算法,在仿真中以更少样本实现更高准确率。
2024-06-22 cs.LG stat.AP
Linear Causal Representation Learning from Unknown Multi-node Interventions
Rensselaer Polytechnic Institute(伦斯勒理工学院);Carnegie Mellon University(卡内基梅隆大学);Google DeepMind(谷歌DeepMind)
研究未知多节点干预下的线性因果表征学习,证明软干预可达祖先级辨识、硬干预可完全辨识,并给出实现该保证的算法。
2024-12-05 cs.LG stat.ML