Proximal Identification and Estimation in Front-Door Causal Structures with Unobserved Confounding of the Mediator
Johns Hopkins Bloomberg School of Public Health(约翰霍普金斯大学布隆伯格公共卫生学院);Johns Hopkins Whiting School of Engineering(约翰霍普金斯大学惠廷工程学院)
研究前门因果结构中未观察到的混杂因素问题,提出前门准则的近端推广,推导新识别策略,给出估计策略并通过模拟评估性能,拓展了前门准则适用性。
2026-07-14 stat.ME
Causal Inference with Categorical Unobserved Confounder via Mixture Learning
Department of Electrical Engineering and Computer Science, MIT(麻省理工学院电气与计算机科学系);Laboratory for Information and Decision Systems, MIT(麻省理工学院信息与决策系统实验室)
本文研究了在未观察混杂因素为类别型时,如何通过混合学习方法实现因果推断,并提出了基于张量分解的估计方法,证明了在合适条件下因果效应可识别。
2026-07-09 stat.ME stat.ML
Estimating long-term causal effects from short-term experiments and long-term observational data with unobserved confounding
University College London(伦敦大学学院);Spotify(声田)
理解和量化因果关系是许多领域的重要问题。对这个问题的普遍认可的解决方案是进行随机对照试验。然而,即使可以进行随机对照试验,由于成本考虑,它们通常持续时间相对较短。这使得学习长期因果效应在实践中成为一项非常具有挑战性的任务,因为长期结果只能在长时间延迟后观察到。在本文中,我们研究的识别和估计的长期处理效应时,实验和观察数据。以前的工作提供了一个估计策略,以确定长期的因果关系,从这些数据制度。然而,这种策略只有在假设观察数据中没有未观察到的混杂因素时才有效。在本文中,我们专门讨论了具有挑战性的情况下,未测量的混杂因素存在于观察数据。我们的长期因果效应估计量是通过将回归残差与短期实验结果以特定的方式组合以创建一个工具变量来获得的,然后通过工具变量回归来量化长期因果效应。我们证明了该估计量是无偏的,并分析了其方差。在前门因果结构的背景下,这提供了一个新的因果估计,这可能是独立的利益。最后,我们实证测试我们的方法的合成数据,以及来自国际中风试验的真实数据。
2023-02-21 cs.LG stat.ML
$ρ$-GNF: A Copula-based Sensitivity Analysis to Unobserved Confounding Using Normalizing Flows
Linköping University(林雪平大学);STIMA IDA;IAS IEI
提出基于Copula和归一化流的敏感性分析方法$ρ$-GNF,利用结构因果模型干预等价性估计平均因果效应并输出$ρ_{curve}$界限,相比传统方法能产生更窄的ACE界限。
2024-08-22 cs.AI econ.EM stat.ME
Causal Discovery in Linear Models with Unobserved Variables and Measurement Error
Georgia Institute of Technology(佐治亚理工学院);Missouri University of Science and Technology(密苏里科技大学);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);Boston University(波士顿大学)
本文研究了线性模型中同时存在未观测共同原因和测量误差的因果结构学习问题,提出LV-SEM-ME模型并探讨了其可识别性和等价类特性。
2026-04-09 cs.AI cs.LG stat.ML
The Blessings of Multiple Causes
Columbia University(哥伦比亚大学)
从观察数据进行的因果推断通常假设“可解释性”,即所有混杂因素都被观察到。这个假设是标准的,但无法检验。然而,许多科学研究涉及多个原因,不同的变量,其影响同时感兴趣。我们提出了deconfounder,一种结合无监督机器学习和预测模型检查的算法,在多原因设置中执行因果推断。反建器推断一个潜在变量作为未观察到的混杂因素的替代,然后使用该替代来执行因果推断。我们开发理论的解构,并表明,它需要弱于经典的因果推断的假设。我们在三种类型的研究中分析了它的性能:围绕吸烟和肺癌的半模拟数据,围绕全基因组关联研究的半模拟数据,以及关于演员和电影收入的真实数据集。反建方提供了一种可检查的方法来估计更接近事实的因果效应。
2019-04-15 cs.LG stat.ME stat.ML
Beyond Conditional Independence: Root Cause Analysis with Deep Causal Models
Purdue University(普渡大学);Johns Hopkins University(约翰霍普金斯大学);Intuit AI Research(Intuit AI 研究院);Microsoft(微软)
针对现有根因分析依赖强假设的局限,提出基于深度因果模型的RCA-DCM方法,利用分布约束和部分图知识,在模拟与真实微服务数据上显著提升根因识别准确率。
2026-09-30 cs.AI cs.LG stat.ML
When Additive Noise Meets Unobserved Mediators: Bivariate Denoising Diffusion for Causal Discovery
Cornell Tech(康奈尔科技);University of Chicago(芝加哥大学)
针对未观测中介变量导致传统ANM因果发现失效的问题,提出双变量去噪扩散(BiDD)方法,通过新颖的独立性检验统计量评估预测噪声与输入的独立性,在理论和实验上均证明了其在中介破坏和无中介场景下的优越性。
2025-06-29 cs.LG
Graph Distance Based on Cause-Effect Estimands with Latents
Helmholtz Munich(慕尼黑海德堡研究所);Technical University of Munich(慕尼黑技术大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
针对潜混杂下因果发现图评估困难的问题,提出基于因果效应估计下游任务的ADMG图距离度量,用固定识别与符号验证器量化图差异对效应估计的扭曲,分析了其在图扰动下的行为并与现有指标对比。
2025-10-28 cs.LG
Detecting low-complexity unobserved causes
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Max Planck Institute for Developmental Biology(马克斯·普朗克发育生物学研究所)
我们描述了一种方法,该方法推断两个观测变量X和Y之间的统计依赖性是由于“直接”因果联系还是仅仅由于包含低复杂度的未观测变量的连接因果路径,例如,二进制变量。这个问题的动机是统计遗传学。给定与感兴趣的表型相关的遗传标记,我们希望检测该标记是因果关系还是仅与因果关系相关。我们的方法是基于对条件分布P(Y)的位置的分析|x)在Y的所有分布的单形中。我们报告令人鼓舞的结果半经验数据。
2012-02-14 cs.LG stat.ML
Towards Clarifying the Theory of the Deconfounder
Columbia University(哥伦比亚大学)
Wang和Blei(2019)研究了多重因果推断,并提出了反倒方算法。本文讨论了理论要求,并提出了实证研究。围绕着反建器理论已经提出了几个改进。其中,Imai和Jiang澄清了“没有未观察到的单一原因混杂因素”的假设。“本文利用他们的假设,阐明了这一理论。此外,Ogburn等人(2020)提出了该理论的反例。但所提出的反例并不满足所需的假设。
2020-03-10 cs.LG stat.ML
A theoretical study of Y structures for causal discovery
University of Wisconsin-Milwaukee(威斯康星大学密尔沃基分校);Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学);Vanderbilt University(范德堡大学)
有几个现有的算法,在适当的假设下,可以可靠地识别一个子集的基本因果关系的观测数据。本文介绍了第一个计算上可行的分数为基础的算法,可以可靠地识别离散模型的大样本限制的因果关系,同时允许的可能性,有未观察到的共同原因。在这样做时,算法不需要为具有未观察到的共同原因的因果结构分配分数。该算法是基于识别所谓的Y子结构内的贝叶斯网络结构,可以从观测数据中学习。Y亚结构的一个例子是A -> C,B -> C,C -> D。在提供因果发现的背景之后,本文证明了该算法在大样本限制下是可靠的条件。
2012-06-27 cs.AI stat.ME
Causal Discovery in Linear Latent Variable Models Subject to Measurement Error
Johns Hopkins University(约翰斯·霍普金斯大学);University of Detroit Mercy(底特律慈悲大学);Carnegie Mellon University(卡内基梅隆大学);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
我们专注于在线性系统中存在测量误差时的因果发现,其中混合矩阵,即,指示与所观察的变量有关的独立外生噪声项的矩阵被识别,直到列的排列和缩放。我们证明了这个问题和因果发现之间的联系有点令人惊讶的存在下,未观察到的无父原因,在这个意义上,有一个映射,给出了混合矩阵,在这些问题中推断的基础模型之间。因此,基于一个模型的混合矩阵的任何可识别性结果转化为另一个模型的可识别性结果。我们的特点是在何种程度上的因果模型可以确定下的两部分的忠实性假设。只有在第一部分的假设(对应于传统的忠诚度的定义),结构可以学习到因果排序之间的有序分组的变量,但不是所有的边缘跨组可以识别。我们进一步表明,如果这两个部分的忠实性假设的实施,结构可以学习到一个更精细的有序分组。作为这种细化的结果,对于具有未观察到的无父原因的潜在变量模型,可以识别结构。基于我们的理论结果,我们提出了两个模型的因果结构学习方法,并评估其性能的合成数据。
2022-11-08 cs.AI cs.IT cs.LG
Identifiability of causal effects with multiple causes and a binary outcome
未观察到的混杂对观察性研究的因果推断构成了重大威胁。最近,一些作者认为,这个问题可能会克服在一个共享的混杂设置,多个治疗是独立的共同的潜在混杂因素。研究表明,在治疗的线性高斯模型下,如果没有结局模型的参数假设,因果效应是不可识别的。在本文中,我们表明,因果效应确实是可识别的,如果我们假设一个一般的二元选择模型的结果与非概率链接。我们的识别方法是基于治疗和潜在混杂因素的高斯性之间的不一致性,以及潜在结果变量的非高斯性。我们进一步开发了一个两步似然估计过程。
2020-11-24 stat.ME
Entropic Causal Inference: Identifiability and Finite Sample Results
MIT(麻省理工学院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);IBM Research(IBM研究院)
熵因果推断是从观测数据中推断两个分类变量之间因果关系方向的框架。核心假设是系统中未观察到的随机性不会太大。这种未观察到的随机性是由基础结构因果模型中的外生变量的熵来衡量的,该模型控制着观察到的变量之间的因果关系。Kocaoglu等人指出,当外生变量的熵不太大时,因果方向是可识别的。在本文中,我们证明了他们的猜想的一个变种。也就是说,我们表明,几乎所有的因果模型的外生变量的熵不与观测变量的状态数的比例,因果方向是可识别的观测数据。我们还考虑了Kocaoglu等人提出的基于最小熵耦合的算法方法,并首次证明了使用有限数量的样本的算法可识别性保证。我们进行了大量的实验,以评估该方法的鲁棒性放松我们的理论中的一些假设,并证明了恒定熵的外生变量和没有潜在的混淆假设可以放松在实践中。我们还经验性地描述了因果识别所需的观察样本的数量。最后,我们将该算法应用于Tuebingen因果对数据集。
2021-01-10 cs.AI cs.IT cs.LG
Naïve regression requires weaker assumptions than factor models to adjust for multiple cause confounding
Stanford University(斯坦福大学);Hoover Institution(胡佛研究所);Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院);Princeton University(普林斯顿大学)
在多种治疗的观察环境中,使用因子模型调整共享的、未观察到的混杂因素$\mathbf{Z}$的经验做法$\mathbf{A}$在遗传学、网络、医学和政治等领域广泛存在。Wang和Blei(2019,WB)将这些程序形式化,并开发了“反倒计时器”,这是一种因果推断方法,使用$\mathbf{A}$的因子模型估计“替代混杂因素”$\hat{\mathbf{Z}}$,然后通过对$\mathbf{A}$部分的结局$\mathbf{Y}$进行回归,同时对$\hat{\mathbf{Z}}$进行调整,来估计处理效应。WB声称,当不存在单因混杂因素时,反因素是无偏倚的,并且$\hat{\mathbf{Z}}$是“精确定位的”。“我们澄清,精确定位需要每个混淆因素影响无限多个治疗。我们证明在这些假设下,一个朴素的半参数回归的$\mathbf{Y}$对$\mathbf{A}$是渐近无偏的。因此,嵌套该回归的去卷积变量也是渐近无偏的,但是使用$\hat{\mathbf{Z}}$和原因子集的变量需要进一步的不可检验的假设。我们用可用的数据重复了每一个去倒峰分析,发现它不能始终如一地优于朴素回归。在实践中,解构者在WB的案例研究中对电影收入做出了令人难以置信的估计:估计表明漫画作家斯坦·李的客串演出贡献了155亿美元,这是漫威电影收入的大部分。我们的结论是,这两种方法都不是在现实世界中的应用仔细的研究设计的…
2020-07-24 cs.LG stat.ME stat.ML
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
Identifying Conditional Causal Effects
Iowa State University(爱荷华州立大学)
本文涉及的非实验数据和因果假设的组合编码的形式,其中一些变量被假定为不可观察的有向无环图的行动的影响进行评估。我们提供了一个程序,系统地识别两组变量之间的原因影响的条件下,其他一些变量,在时间多项式中的变量的数量在图中。可识别的条件因果效应用观察到的联合分布表示。
2012-07-11 cs.AI stat.ME
Sequential Underspecified Instrument Selection for Cause-Effect Estimation
HelmholtzAI(亥姆霍兹人工智能研究所);Helmholtz Munich(亥姆霍兹慕尼黑中心);TUM School of Computation, Information and Technology, Technical University Munich(慕尼黑工业大学计算、信息与技术学院);MILA - Quebec Artificial Intelligence Institute(MILA——魁北克人工智能研究所);Recursion(Recursion公司)
本文研究高维处理、少量工具变量条件下的因果效应估计问题,提出可一致组合部分投影估计的方法,并设计序贯算法在每轮实验中迭代选择最具信息量的工具变量,以最大化对完整因果效应的总体信息。
2023-05-25 cs.LG stat.ME stat.ML
Using Embeddings for Causal Estimation of Peer Influence in Social Networks
The University of Chicago(芝加哥大学);Google Research(谷歌研究院)
我们解决的问题,使用观测数据来估计同伴传染效应,在网络中的个人的结果,他们的邻居的治疗的影响。对这种估计的一个主要挑战是同质性--连接单元共享相似潜在特征的倾向--作为传染效应的一个未观察到的混杂因素。非正式地说,很难判断你的朋友是否有类似的结果,因为他们受到你的治疗的影响,或者是否是由于一些共同的特点,使你成为朋友摆在首位。由于这些常见原因通常无法直接观察到,因此不能简单地进行调整。我们描述了一种使用从网络本身学习的节点嵌入来执行所需调整的方法。其主要目的是进行这种调整nonparametrically,没有功能的形式假设的过程中产生的网络或治疗分配和结果的过程。的关键贡献是nonparametrically正式的因果关系的方式,占同质性,并显示如何嵌入方法可以用来识别和估计这种效果。代码可在https://github.com/IrinaCristali/Peer-Contagion-on-Networks上获得。
2022-05-17 cs.LG cs.SI stat.ML
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University(早稻田大学);Kyoto University(京都大学)
研究如何在存在未知混杂因素时估计二元治疗效果,基于图子估计文献提出邻域核平滑方法及共形推断方法,应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
Causal Inference with Treatment Measurement Error: A Nonparametric Instrumental Variable Approach
University College London(伦敦大学学院);University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
我们提出了一个基于核的非参数估计的因果效应时,原因被错误损坏。我们这样做是通过在工具变量设置中推广估计。尽管在具有测量误差的回归方面做了大量的工作,但在连续设置中处理未观察到的混杂是不平凡的:我们几乎没有看到以前的工作。作为我们研究的副产品,我们澄清了均值嵌入和特征函数之间的联系,以及如何同时学习一个允许一个学习另一个。这为核方法研究在特征函数估计中利用现有结果开辟了道路。最后,我们的经验表明,我们提出的方法,MEKIV,提高了基线和测量误差的强度和类型的误差分布的变化下是强大的。
2022-06-18 cs.LG stat.ME
Confounder-robust causal discovery and inference in Perturb-seq using proxy and instrumental variables
University of Pennsylvania(宾夕法尼亚大学)
提出一种利用代理变量和工具变量策略,从存在未观测混杂的 Perturb-seq 数据中准确重建因果基因网络的方法,在合成数据和真实实验上优于基线方法。
2026-06-05 stat.AP stat.ME
Learning Measurement Models for Unobserved Variables
数据库中观察到的关联可能全部或部分归因于未记录(潜在)变量的变化。确定这些变量及其相互之间的因果关系是许多科学和实践领域的主要目标。以前的工作表明,给定一个分区的观察变量,使一类的成员只共享一个潜在的共同原因,因果贝叶斯网的标准搜索算法可以推断出潜在变量之间的结构关系。我们引入了一个算法,发现这样的分区时,他们存在。唯一可用的程序中,该算法是(渐近)正确的因果贝叶斯网络搜索算法的标准假设下,不需要先验知识的潜在变量的数量,并不依赖于潜在变量之间的关系的数学形式。我们评估各种模拟数据集上的算法。
2012-10-19 cs.LG stat.ML
Bias in studies of prenatal exposures using real-world data due to pregnancy identification method
本研究指出基于结局的妊娠识别方法会导致产前暴露研究偏倚,通过模拟1000万例妊娠比较三种识别方法,发现仅基于所有妊娠(含未观察结局)的方法在缺失预测因子可测时无偏,为真实世界数据研究提供方法参考。
2025-04-16 stat.AP
Sample Complexity of Nonparametric Closeness Testing for Continuous Distributions and Its Application to Causal Discovery with Hidden Confounding
EPFL(洛桑联邦理工学院);College of Management of Technology, EPFL(洛桑联邦理工学院技术管理学院);Department of Computer and Communication Sciences, EPFL(洛桑联邦理工学院计算机与通信科学系)
本文研究连续分布接近性检验的样本复杂度,提出基于 von Mises 展开的 KL 散度估计器,并将其用于含隐藏混杂的多维非高斯非线性因果发现,首次给出因果方向判别的样本复杂度保证。
2025-03-10 cs.LG stat.ML
Generalizing Identifiability Results in Causal Discovery from Complete Data to Missing Data Settings
Oregon State University(俄勒冈州立大学);RIKEN Advanced Intelligence Project(理化学研究所先进智能项目);The University of Osaka(大阪大学);Shiga University(滋贺大学)
该研究针对缺失数据场景,建立了因果图可识别性的通用充分条件,提出两种适用于加性噪声模型的渐近正确算法,将完整数据因果发现的正确性保证扩展至缺失数据场景。
2026-10-15 cs.AI cs.LG stat.ME
Sensitivity Analysis for Attributable Effects in Case$^2$ Studies
本文针对病例$^2$研究中的归因效应,提出敏感性分析框架以评估关键假设偏离及未测量混杂的影响,并通过1993年数据验证暴力行为与自杀风险的关系。
2025-02-27 stat.AP stat.ME
Causal Discovery via Conditional Independence Testing with Proxy Variables
Peking University(北京大学);Fudan University(复旦大学)
本文针对连续变量因果发现中未观测混杂导致的偏差问题,提出一种基于离散化和代理变量的非参数条件独立性检验方法,并证明其渐近性质,在合成与真实数据上验证了有效性。
2024-05-02 cs.LG stat.ME
Deconfounding Multi-Cause Latent Confounders: A Factor-Model Approach to Climate Model Bias Correction
University of South Australia(南澳大利亚大学);CSIRO Environment(澳大利亚环境局);CSIRO Data61(澳大利亚数据61研究院)
本文提出一种基于因子模型的气候模式偏差校正方法,通过从GCM和观测数据中学习多因潜混杂因子并结合时间序列预测模型,显著提升降水输出准确性。
2025-06-06 cs.AI cs.LG physics.ao-ph
Restricted Hidden Cardinality Constraints in Causal Models
具有未观测变量的因果模型对观测变量的分布施加了非平凡的约束。当两个变量的共同原因未被观察到时,如果不对模型进行额外的假设,就不可能揭示它们之间的因果关系。在这项工作中,我们认为因果模型的承诺,未观察到的变量有已知的基数。我们推导出了这类模型中d-分离所隐含的不等式约束。此外,我们探讨了利用这一结果来研究涉及量子系统的模型中的因果影响的可能性。
2021-12-11 math.ST quant-ph 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
Causal Layering via Conditional Entropy
Salesforce AI Research(赛富时人工智能研究院)
本文针对离散分布的因果发现问题,提出利用条件熵预言机反复识别并移除源点或汇点以恢复因果分层,并在忠实性与噪声单射等假设下证明算法正确且最坏情况为二次时间。
2024-01-19 cs.AI cs.LG stat.ME
Evaluation of Induced Expert Knowledge in Causal Structure Learning by NOTEARS
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
因果建模为我们提供了强大的反事实推理和干预机制,以生成各种假设情景下的预测和推理。然而,因果发现使用观察数据仍然是一个不平凡的任务,由于未观察到的混杂因素,有限的抽样,和数据分布的变化。这些可能导致虚假的因果关系。为了在实践中减轻这些挑战,研究人员用已知的因果关系来增强因果学习。本文的目标是研究专家知识对因果关系的影响,在制定的非参数NOTEARS中使用的附加约束的形式。我们提供了一套全面的比较分析偏置模型使用不同类型的知识。我们发现,(i)纠正NOTEARS模型错误的知识可以导致统计上显著的改进,(ii)对活动边缘的约束对因果发现的积极影响大于非活动边缘,并且令人惊讶的是,(iii)诱导的知识平均不会纠正比预期更多的不正确的活动和/或非活动边缘。我们还展示了模型的行为和领域知识在真实数据集上的有效性。
2023-01-04 cs.AI cs.LG stat.ME
A Meta-Transfer Objective for Learning to Disentangle Causal Mechanisms
Université de Montréal(蒙特利尔大学);Ruprecht-Karls-Universität Heidelberg(海德堡大学);École Polytechnique Montréal(蒙特利尔综合理工学院)
我们建议元学习因果结构的基础上如何快速学习者适应新的分布所产生的稀疏分布的变化,例如,由于干预,代理的行动和其他来源的非平稳性。我们表明,在这种假设下,正确的因果结构的选择导致更快地适应修改后的分布,因为变化集中在一个或几个机制时,学到的知识是适当的模块化。这导致稀疏的预期梯度和较低的有效数量的自由度需要重新学习,同时适应变化。它激励使用修改后的分布的适应速度作为元学习目标。我们演示了如何使用它来确定两个观测变量之间的因果关系。分布的变化不需要对应于标准干预措施(钳制变量),学习者对这些干预措施没有直接的知识。我们表明,因果结构可以通过连续变量参数化,并学习端到端。然后,我们探索如何将这些想法用于学习编码器,该编码器将低级观察变量映射到未观察到的因果变量,从而更快地适应分布外,学习表示空间,其中可以满足独立机制的假设以及由于动作和非平稳性而导致的这些机制中的小而稀疏的变化。
2019-02-04 cs.LG stat.ML
The Sensitivity of Counterfactual Fairness to Unmeasured Confounding
MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Cambridge(剑桥大学);Microsoft Research(微软研究院);University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所);University College London(伦敦大学学院)
公平的因果方法最近引起了机器学习社区和对道德预测算法感兴趣的更广泛的各方的极大兴趣。这在很大程度上是由于因果模型允许人们同时利用数据和专家知识来消除预测中的歧视性影响。然而,因果建模的一个主要假设是你知道因果图。这就为偏差引入了一个新的机会,这是由错误指定因果模型引起的。一种常见的方式是通过未测量的混杂:变量之间的真实因果效应部分由未观察到的数量描述。在这项工作中,我们设计的工具来评估公平措施的敏感性,这种混淆的流行类的非线性加性噪声模型(ANMs)。具体来说,我们给出了一个程序计算两个反事实公平的预测,其中一个已成为偏见,由于混淆之间的最大差异。对于双变量混杂的情况,我们的技术可以通过一系列封闭形式的更新迅速计算。对于多元混杂,我们给出了一个算法,可以有效地解决通过自动微分。我们展示了我们的新的敏感性分析工具,在现实世界的公平性的情况下,以评估混淆所产生的偏见。
2019-07-01 cs.CY cs.LG stat.ML
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology(佐治亚理工学院);Microsoft Research India(微软印度研究院);Microsoft(微软);Microsoft Research AI(微软人工智能研究院)
对于许多类型的干预,如新广告,营销干预或功能推荐,重要的是要针对特定的人群子集,以最小的成本或潜在的伤害最大化其利益。然而,一个关键的挑战是,由于尚未部署这种前瞻性干预措施,因此没有关于其效果的数据。在这项工作中,我们提出了一个分裂治疗分析,排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同,分割处理方法不需要对目标处理本身进行任何观察。相反,它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下,我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下,分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务,并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG stat.ME
Causal Mediation Analysis for Zero-inflated Mixture Mediators
本文针对零膨胀混合中介变量提出基于有限混合分布的因果中介建模方法,推导两部分中介效应,并通过EM算法估计和模拟及神经科学应用验证其优于标准方法。
2025-07-21 stat.ME
A generalized tetrad constraint for testing conditional independence given a latent variable
Peking University(北京大学);Beijing Technology and Business University(北京工商大学)
本文提出广义四元约束用于检验给定潜在变量下的条件独立性,适用于非线性和非参数模型,在非线性模型中仍为必要条件。通过模拟和实际数据应用验证了该方法的有效性。
2026-03-31 stat.ME
Stochastic Neural Networks for Causal Inference with Missing Confounders
Stanford University(斯坦福大学);Purdue University(普渡大学)
本文提出CI-StoNet,利用随机神经网络处理缺失混杂因素,通过自适应Hamilton蒙特卡洛方法实现潜在混杂因素的填补,并在保证因果推断一致性的同时,扩展到代理变量和多重原因场景。
2026-03-01 stat.CO
Self-separated and self-connected models for mediator and outcome missingness in mediation analysis
本文研究中介和结果缺失性在中介分析中的识别问题,提出自我分离和自我连接模型,结合阴影变量理论,扩展了缺失机制理论,并通过实例说明其应用价值。
2026-04-06 stat.ME
Split-door criterion: Identification of causal effects through auxiliary outcomes
Microsoft Research(微软研究院)
我们提出了一种方法,用于估计因果效应的时间序列数据时,细粒度的信息的结果感兴趣的。具体来说,我们研究了我们所说的分裂门设置,其中结果变量可以分为两部分:一部分可能受到正在研究的原因的影响,另一部分与之无关,两部分共享相同的(未观察到的)混杂因素。我们表明,在这些条件下,识别的问题减少到所观察到的变量之间的独立性测试,并提出了一种方法,使用这种方法来自动找到的数据的子集,因果关系确定。我们通过估计亚马逊推荐系统对产品页面流量的因果影响来演示该方法,在数据集中找到数千个满足分裂门标准的例子。与过去基于自然实验的研究仅限于单一产品类别不同,我们的方法适用于网站上查看的大量具有代表性的产品样本。与以前的工作一致,我们发现广泛使用的点击率(CTR)度量高估了推荐系统的因果影响;根据产品类别,我们估计,即使没有任何推荐,推荐系统也会产生50- 80%的流量。最后,我们使用分裂门标准的指导方针,以及讨论的其他情况下,该方法可以应用。
2018-06-14 cs.AI stat.AP stat.ME
Imputing Missing Events in Continuous-Time Event Streams
Johns Hopkins University(约翰斯·霍普金斯大学);Peking University(北京大学)
世界上的事件可能是由其他未观察到的事件引起的。我们考虑连续时间中的事件序列。给出了一个完整序列的概率模型,我们提出了粒子平滑-一种序列重要性采样-来估算不完整序列中的缺失事件。我们基于一种双向连续时间LSTM开发了一个可训练的建议分布族:双向性让建议以未来的观察为条件,而不仅仅是像粒子滤波那样以过去为条件。我们的方法可以对可能的完整序列(粒子)的集合进行采样,从中我们形成一个单一的共识预测,该预测在我们选择的损失度量下具有低贝叶斯风险。我们在多个合成和真实域中进行实验,使用不同的缺失机制,并使用神经Hawkes过程对每个域中的完整序列进行建模(Mei & Reynner 2017)。在不完整的序列上,我们的方法可以有效地推断出未观察到的地面实况事件,粒子平滑不断提高粒子滤波。
2019-05-14 cs.AI cs.LG stat.ML
We Are Not Your Real Parents: Telling Causal from Confounded using MDL
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);Saarland University(萨尔兰大学);Helmholtz Center for Information Security(亥姆霍兹信息安全中心)
鉴于数据变量$(X_1,...,X_m, Y)$,我们考虑的问题,找出是否$X$共同导致$Y$或是否他们都混淆了一个未观察到的潜在变量$Z$。为此,我们采用基于柯尔莫哥洛夫复杂度的信息论方法。简而言之,我们遵循这样一个假设:首先对真正的原因进行编码,然后对给定原因的结果进行编码,这比观察变量的任何其他编码都要短。理想的分数是不可计算的,因此我们必须近似它。我们建议使用最小描述长度(MDL)原则。我们比较了$X$导致$Y$的模型和存在潜在变量$Z$混淆$X$和$Y$的模型下的MDL得分,并显示我们的得分是一致的。为了找到潜在的混杂因素,我们建议使用潜在因素建模,特别是概率PCA(PPCA)。对合成数据和真实数据的实证评估表明,我们的方法CoCa表现非常好-即使数据的真实生成过程与我们使用的模型所做的假设相差甚远。此外,它是强大的,因为它的准确性与它的信心齐头并进。
2019-01-21 cs.LG stat.ML
When does conformal calibration need censoring weights? Cause-of-failure prediction sets under competing risks
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Northumbria University(诺森比亚大学)
本文研究竞争风险下共形预测集的校准问题,发现完全案例校准可能偏离名义覆盖率,而正确指定删失模型的权重可恢复覆盖率,并给出有限样本下界。
2026-10-07 stat.ME stat.ML
Causal Regularization
Amazon Development Center(亚马逊开发中心)
我认为,标准回归方法中的正则化项不仅有助于防止过度拟合有限数据,而且有时也会在无限样本制度中产生更好的因果模型。我首先考虑一个多维变量线性影响一个目标变量与一些多维未观察到的共同原因,其中混杂效应可以通过保持岭和拉索回归中的惩罚项,即使在人口限制减少。然而,选择惩罚项的大小是具有挑战性的,因为交叉验证是毫无意义的。在这里,首先通过前面提出的方法估计混杂的强度来完成,该方法对模拟和真实数据产生了一些合理的结果。此外,我证明了一个“因果泛化界”的状态(受特定模型的混淆),解释任何非线性回归的因果模型的错误可以从上面有界的功能时,从一个不太丰富的类。换句话说,边界保证了从观察分布到干预分布的“泛化”,这通常不是统计学习理论的主题(并且只有由于混淆模型的潜在对称性才是可能的)。
2019-06-28 cs.LG stat.ML
Substitute adjustment via recovery of latent variables
本文剥离 deconfounder 的因果假设,提出 substitute adjustment,通过恢复潜变量并据此调整结果回归来估计调整后回归参数,并给出独立性条件、轻假设变体、有限样本与渐近理论及模拟验证。
2024-03-01 math.ST stat.ML stat.TH
LUCID: Learning Under Confounding for Inference and Discovery in Time Series
Bloomberg L.P(彭博有限合伙企业)
针对时间序列因果发现中的未观测混杂问题,提出LUCID自适应去混杂层,通过谱路由估计混杂机制并匹配去混杂策略,在合成分布外基准上显著提升图F1分数,且可包装现有发现算法。
2026-09-28 cs.LG stat.ML