Constraint-based Causal Discovery for Non-Linear Structural Causal Models with Cycles and Latent Confounders
Informatics Institute(信息学研究所);University of Amsterdam(阿姆斯特丹大学)
我们解决的问题,因果发现数据,利用最近提出的因果建模框架的模块化结构因果模型(mSCM)来处理周期,潜在的混杂因素和非线性。本文引入了σ-连通图(σ-CG),这是一类新的具有附加结构的混合图(包含无向、双向和有向边),并将σ-分离的概念推广到σ-CG上,σ-分离是d-分离概念的适当推广.我们证明了σ-分离在边缘化和条件下的封闭性,并利用这一点来实现σ-CG上的σ-分离测试。然后,这将我们带到第一个因果发现算法,该算法可以处理非线性函数关系,潜在混杂因素,循环因果关系以及来自不同(随机)完美干预的数据。作为概念证明,我们在合成数据上展示了该算法如何恢复模块化结构因果模型的因果图的特征。
2018-07-09 cs.AI cs.LG stat.ML
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
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County(因果AI实验室,信息系统系马里兰大学巴尔的摩县)
本文提出一种基于分解的因果发现方法,通过分离时间序列的趋势、季节性和残差成分,分别进行因果分析,从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
Cluster-Dags as Powerful Background Knowledge For Causal Discovery
Technical University Munich(慕尼黑技术大学);Helmholtz Munich(海德堡-慕尼黑研究所);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心(MCML))
本文提出利用簇DAGs作为先验知识框架,改进因果发现算法,通过模拟数据验证其在高维和复杂依赖下的优越性。
2026-08-27 cs.AI cs.LG stat.ML
Typing assumptions improve identification in causal discovery
Mila(米拉人工智能研究所);Université de Montréal(蒙特利尔大学);ServiceNow Research(ServiceNow研究院);Samsung AI Center Montreal(三星蒙特利尔人工智能中心)
从观测数据中发现因果关系是一项具有挑战性的任务,只能解决一组等价的解决方案,称为等价类。这样的类,这往往是大的尺寸,编码的不确定性的因果图中的一些边缘的方向。在这项工作中,我们提出了一套新的假设,约束可能的因果关系的基础上的变量的性质,从而限制等价类。也就是说,我们引入类型有向无环图,其中变量类型用于确定因果关系的有效性。我们证明,无论是理论和经验,所提出的假设可以导致显着的收益在因果图的识别。我们还提出了因果发现算法,利用这些假设和模拟和伪真实数据证明其好处。
2022-02-28 cs.AI cs.LG stat.ML
The Robustness of Differentiable Causal Discovery in Misspecified Scenarios
School of Mathematics, Southeast University, Nanjing 210096, China(数学学院,东南大学,南京210096,中国);School of Cyber Science and Engineering, Southeast University, Nanjing 210096, China(网络科学与工程学院,东南大学,南京210096,中国)
本工作系统评估了主流因果发现算法在八种模型假设违背下的表现,发现可微分方法在除尺度变化外的场景中具有鲁棒性,并提供了理论解释与评估标准。
2025-10-14 cs.AI cs.LG stat.ME
Integrating Background Knowledge for Scalable Causal Discovery
University of Amsterdam(阿姆斯特丹大学);Radboud University Nijmegen(拉德堡德大学(奈梅亨));Saarland University(萨尔大学)
研究如何在因果发现中整合背景知识,提出在因果发现过程中利用背景知识的框架,实现可扩展的因果发现,经实验验证该方法能降低计算需求并提升学习结构质量。
2026-11-06 cs.LG stat.ML
Learning to Defer for Causal Discovery with Imperfect Experts
University of Oxford(牛津大学);Mila – Quebec Artificial Intelligence Institute(米拉-魁北克人工智能研究所);Université de Montréal(蒙特利尔大学);ServiceNow Research(ServiceNow研究院);University of Amsterdam(阿姆斯特丹大学);Université Laval(拉瓦尔大学)
本文提出 L2D-CD,通过学习弃权函数在经典数据驱动因果发现与不完美专家建议间自适应选择,在 Tübingen pairs 上取得优于二者单独使用的效果。
2025-02-18 cs.AI cs.LG stat.ML
Improving Efficiency and Accuracy of Causal Discovery Using a Hierarchical Wrapper
Intel Labs(英特尔实验室)
从观测数据中发现因果关系是许多科学分支的重要工具。在某些假设下,它允许科学家解释现象,预测和做出决策。在大样本的限制,声音和完整的因果关系发现算法已被引入,其中有向无环图(DAG),或其等价类,表示因果关系的搜索。然而,在现实世界中,只有有限的训练数据可用,这限制了这些算法使用的统计测试的能力,导致推断的因果模型中的错误。这通常通过设计尽可能少使用统计检验的策略来解决。在本文中,我们介绍了这样一个战略的形式,现有的约束为基础的因果发现算法,保持健全性和完整性的递归包装。它从一开始就使用规范化的最小割准则递归地对观察到的变量进行聚类,并在回溯过程中使用基线因果发现算法来学习局部子图。然后将它们组合起来并确保完整性。通过消融研究,使用合成数据,并通过常见的现实世界的基准,我们证明,我们的方法需要显着更少的统计测试,学习更准确的图形,并需要更短的运行时间比基线算法。
2021-07-11 cs.AI 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
Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data
University of Amsterdam(阿姆斯特丹大学);University of Toronto(多伦多大学);Vector Institute(向量研究所)
在时间序列数据上,大多数因果发现方法在遇到来自新的潜在因果图的样本时都适合新的模型。然而,这些样本通常共享在遵循这种方法时丢失的相关信息。具体而言,不同的样本可能共享描述其因果关系的影响的动态。我们提出了摊销因果发现,一个新的框架,利用这种共享的动态学习推断因果关系的时间序列数据。这使我们能够训练单个摊销模型,该模型推断具有不同基础因果图的样本之间的因果关系,从而利用共享的动态信息。我们的实验表明,这种方法,实施为变分模型,导致因果发现性能的显着改善,并显示它如何可以扩展到执行以及下添加的噪声和隐藏的混淆。
2022-02-21 cs.LG stat.ML
Order-based Causal Discovery for Multistage Processes
Department of Industrial and Systems Engineering, Korea Advanced Institute of Science and Technology(韩国科学技术院工业与系统工程系)
针对多阶段过程中现有因果发现方法的不足,提出基于顺序的因果发现方法OCDM。通过结合过程知识和新算法推断因果结构,并用新剪枝技术消除伪边,实验证明其优于现有方法。
2026-07-07 cs.AI cs.LG
Can LLMs Leverage Observational Data? Towards Data-Driven Causal Discovery with LLMs
Fujitsu Limited(富士通公司);TU Dresden(德累斯顿工业大学)
该研究探索LLMs在数据驱动因果发现中的潜力,通过成对提示和基于BFS的提示策略整合观测数据,实验显示其F1分数最多提高0.11分且优于传统基线最多0.52分,为LLM驱动的因果发现奠定基础。
2025-04-15 cs.AI cs.LG
Causal discovery in a complex industrial system: A time series benchmark
Lund University(隆德大学);The European Spallation Source(欧洲散裂中子源)
本文提出一个来自欧洲散裂中子源工业子系统的时间序列因果发现基准数据集,并配套专家知识构建的因果图,用于评估和促进复杂系统因果发现方法的发展。
2023-10-28 cs.LG stat.ML
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
Interpretable Causal Discovery via Causal-Effect Constraints
Yale University(耶鲁大学);University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
该研究将条件因果发现转化为贝叶斯推理问题,采用稀有事件估计技术解决小后验质量事件的计算挑战,经合成图和Sachs蛋白质数据集验证了方法的准确性与辅助科学探索的作用。
2026-09-24 cs.AI cs.LG stat.ML
Causal Discovery from Conditionally Stationary Time Series
Imperial College London(帝国理工学院);University of Dundee(邓迪大学)
本文提出状态依赖因果推断(SDCI)方法,通过将非平稳性建模为以潜在状态为条件的平稳性,实现条件平稳时间序列中的因果发现,并在粒子交互、基因调控和NBA球员运动预测中验证其优越性。
2025-06-05 cs.LG stat.ML
Transforming Causality: Transformer-Based Temporal Causal Discovery with Prior Knowledge Integration
SRI International(SRI国际)
本文提出基于多层Transformer的时间因果发现框架,通过梯度分析提取因果图,并利用注意力掩码融合先验知识以抑制虚假因果,在因果发现F1和滞后估计准确率上均显著超越现有方法。
2025-08-21 cs.LG stat.ML
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
Weakly-supervised causal discovery based on fuzzy knowledge and complex data complementarity
Tsinghua University(清华大学);Shandong University(山东大学)
针对现有因果发现方法受先验知识不足、领域不一致及高维小样本限制的问题,提出融合模糊知识与数据的弱监督方法KEEL,结合ELCM处理复杂数据,在多场景下准确率、鲁棒性和效率均优于现有方法。
2024-05-14 cs.LG stat.ML
LLM-initialized Differentiable Causal Discovery
SandboxAQ
本文提出LLM-DCD,利用LLM初始化可微因果发现的最大似然优化,并以显式邻接矩阵作为唯一变分参数,从而提升可解释性、先验融入能力和基准准确率。
2024-10-28 cs.LG stat.ML
Relational Causal Discovery with Latent Confounders
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Pinterest, Inc.(Pinterest公司);Adobe Research(Adobe研究)
针对关系数据中存在潜在混杂因子的因果发现问题,提出可靠且完备的算法 RelFCI,基于 FCI 和 RCD 定义新图模型,并在理论和实验上验证了其有效性。
2025-11-03 cs.AI cs.LG
Neuropathic Pain Diagnosis Simulator for Causal Discovery Algorithm Evaluation
KTH Royal Institute of Technology(瑞典皇家理工学院);Carnegie Mellon University(卡内基梅隆大学);Karolinska Institute(卡罗林斯卡学院);Microsoft Research(微软研究院)
从观测数据中发现因果关系对于许多科学学科和现实世界的应用至关重要。然而,不像其他机器学习算法,其发展已经大大促进了大量的可用基准数据集,因果发现算法是出了名的难以系统地评估,因为很少有数据集与已知的地面真理因果关系。在这项工作中,我们处理的问题,通过建立一个灵活的模拟器在医疗环境中的因果发现算法进行评估。我们开发了一个神经病理性疼痛诊断模拟器,灵感来自这样一个事实,即神经病理性病理生理学的生物过程得到了很好的研究,具有很好的理解因果关系的影响。我们的模拟器利用了神经性疼痛病理的因果图,并且其在发生器中的参数是从现实生活中的患者病例中估计的。我们表明,从我们的模拟器生成的数据具有类似的统计数据作为真实世界的数据。作为一个明显的优势,模拟器可以产生无限的样本,而不会危及现实世界患者的隐私。我们的模拟器提供了一个自然的工具,用于评估各种类型的因果发现算法,包括那些处理因果发现中的实际问题,如未知的混杂因素,选择偏差和缺失数据。使用我们的模拟器,我们已经广泛评估了因果发现算法在各种设置下。
2019-10-28 cs.LG stat.ML
Can We Utilize Pre-trained Language Models within Causal Discovery Algorithms?
Korea University(高丽大学);UNIST(蔚山科学技术院);LG AI Research(LG AI研究院);Seoul National University(首尔大学);SNU-LG AI Research Center(首尔大学-LG AI研究中心)
本文提出一种新框架,通过初始化邻接矩阵和引入正则化,将PLM提取的先验知识与因果发现算法相结合,克服了PLM在因果发现中过度依赖提示设计的局限并提升了性能。
2023-11-19 cs.AI cs.LG
Causal KL: Evaluating Causal Discovery
Monash University(莫纳什大学)
使用人工数据评估因果模型发现的两个最常用的标准是编辑距离和Kullback-Leibler散度,从真实模型到学习模型进行测量。这两个指标最大限度地奖励真实模型。然而,我们认为,他们都是不够的歧视,在判断错误的模型的相对优点。例如,编辑距离无法区分强概率依赖性和弱概率依赖性。另一方面,KL分歧同样奖励所有统计上等价的模型,无论它们的因果关系如何。我们提出了一个增强的KL分歧,我们称之为因果KL(CKL),它考虑到因果关系,区分观测等效模型。CKL的三个变体的结果,表明因果KL在实践中效果良好。
2021-11-11 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
Linear Causal Discovery with Interventional Constraints
纳入因果知识和机制对于完善因果模型和改进下游任务(例如设计新治疗方法)至关重要。在本文中,我们引入了一个新的概念,在因果发现,称为介入约束,这从根本上不同于介入数据。虽然干预性数据需要变量的直接扰动,但干预性约束以因果效应的不等式约束的形式对高层次的因果知识进行编码。例如,在Sachs数据集中(Sachs et al.\ 2005年),Akt已被证明是由PIP3激活,这意味着PIP3对Akt发挥积极的因果作用。现有的因果发现方法允许强制执行结构约束(例如,需要从PIP3到Akt的因果路径),但它们仍然可能产生不正确的因果结论,例如学习“PIP3抑制Akt”。干预约束通过明确约束变量对之间的总因果效应来弥合这一差距,确保学习模型尊重已知的因果影响。为了形式化干预约束,我们提出了一个度量来量化线性因果模型的总因果效应,并将问题制定为约束优化任务,使用两阶段约束优化方法求解。我们在真实世界的数据集上评估了我们的方法,并证明了整合干预性约束不仅提高了模型的准确性,确保了与已有发现的一致性,使模型更易于解释,而且还有助于发现新的因果关系,否则识别成本很高。
2025-10-30 cs.AI cs.LG
Causal Discovery with General Non-Linear Relationships Using Non-Linear ICA
University College London(伦敦大学学院);Carnegie Mellon University(卡内基梅隆大学);University of Helsinki(赫尔辛基大学)
我们考虑的问题,推断两个或两个以上的被动观察变量之间的因果关系。虽然这种因果发现的问题已经被广泛研究,特别是在双变量设置,大多数当前的方法假设一个线性的因果关系,和少数考虑非线性依赖关系的方法通常使加性噪声的假设。在这里,我们提出了一个框架,通过它,我们可以在一般非线性关系的存在下进行因果发现。该方法是基于非线性独立成分分析的最新进展,并利用观测的非平稳性,以恢复潜在的源或潜在的干扰。我们严格证明,在二元因果发现的情况下,这种非线性ICA可以用来推断因果方向,通过一系列的独立性测试。我们进一步提出了一种替代措施的因果方向的基础上渐近近似的似然比,以及扩展到多变量因果发现。我们证明了所提出的方法的能力,通过一系列的模拟研究,并得出结论与神经影像数据的应用。
2019-04-19 cs.LG stat.ML
Embracing the black box: Heading towards foundation models for causal discovery from time series data
Friedrich Schiller University Jena(弗里德里希·席勒耶拿大学)
针对现有时间序列因果发现方法不支持端到端学习的问题,提出因果预训练方法,通过监督学习直接映射多元时间序列至因果图,发现其性能随数据和模型规模增加而提升,为因果发现基础模型提供了可能性。
2024-02-14 cs.AI cs.LG
Sample Complexity Bounds for Score-Matching: Causal Discovery and Generative Modeling
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);Institute of Science Technology Austria(奥地利科学技术研究所)
本文为分数匹配方法建立了统计样本复杂度界,证明用深度ReLU网络和随机梯度下降可准确估计分数函数,并给出其在因果发现和生成建模中的误差上界。
2023-10-27 cs.LG stat.ML
Leveraging directed causal discovery to detect latent common causes
Spotify(声田);University College London(伦敦大学学院);Babylon Health(巴比伦健康)
因果关系的发现是科学和医学中的一个基本问题。近年来,已经提出了许多从观测数据中发现两个变量之间因果关系的优雅方法。然而,大多数这些只处理纯粹的直接因果关系,不能检测潜在的共同原因。在这里,我们设计了一个一般的启发式,它需要一个因果发现算法,只能区分纯粹的直接因果关系,并修改它,也检测潜在的共同原因。我们将我们的方法应用于两个有向因果发现算法,信息几何因果推断(Daniusis等人,2010)和(Mitrovic,Sejdinovic,& Teh,2018)的因果推断的核条件偏差,并对合成数据进行了广泛的测试-检测加性,乘法和复杂噪声机制中的潜在常见原因-以及真实数据,我们能够检测已知的常见原因。除了检测潜在的共同原因,我们的实验表明,这两个修改后的算法保持原来的性能,在区分有向因果关系。
2021-06-21 cs.LG stat.ML
Constraint- and Score-Based Nonlinear Granger Causality Discovery with Kernels
本文提出基于核方法的非线性格兰杰因果发现方法,通过统一框架提升因果识别性能,并引入高斯过程评分模型以改进时间序列因果发现。
2026-01-14 cs.LG stat.ML
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University(约翰斯·霍普金斯大学);Columbia University(哥伦比亚大学)
本文提出了一个计算框架,产生合奏预测力学模型与不确定性量化(UQ)。首先,我们开发了一个因果发现算法,通过有向无环图(DAG)来推断在每个代表性体积元素(RVE)模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系,预测在导出的因果图中传播,同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子(摩擦界面的牵引分离定律,颗粒集合体的弹塑性模型)来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 cs.LG stat.ML
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society(数据与社会卢西家族研究所);University of Notre Dame(诺克斯达大学);Political Science University of Notre Dame(政治学诺克斯达大学)
提出动态因果网络自回归(DCNAR)两阶段框架,通过神经自回归因果发现学习稀疏有向因果网络,并将其作为结构先验用于时变神经网络自回归,实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
A Review and Roadmap of Deep Learning Causal Discovery in Different Variable Paradigms
Xi’an JiaoTong University(西安交通大学)
了解因果关系有助于构建干预措施,以实现特定目标,并能够在干预措施下进行预测。随着学习因果关系的重要性日益增加,因果发现任务已经从使用传统方法从观察数据推断潜在因果结构过渡到深度学习涉及的模式识别领域。海量数据的快速积累促进了具有出色可扩展性的因果搜索方法的出现。现有的因果发现方法综述主要集中在基于约束、分数和模糊C均值的传统方法上,缺乏对基于深度学习的方法进行完善的梳理和阐述,也缺乏从变量范式角度对因果发现方法的思考和探索。因此,本文根据变量范式将可能的因果发现任务分为三类,分别给出了三类任务的定义,定义并实例化了每类任务的相关数据集以及最终构建的因果模型,并对现有的主要因果发现方法进行了评述。最后,针对目前因果发现领域的研究空白,从不同角度提出了一些路线图,并指出了未来的研究方向。
2022-09-14 cs.AI cs.LG stat.ME
Causal Discovery for fMRI data: Challenges, Solutions, and a Case Study
University of Minnesota(明尼苏达大学);Minneapolis VA Health Care System(明尼阿波利斯退伍军人事务医疗系统)
本文系统梳理了将因果发现应用于fMRI数据面临的九大挑战、决策空间及案例研究,指出其优于传统功能连接方法但仍需改进。
2023-12-20 cs.AI cs.LG q-bio.QM
Reparametrization Invariance in non-parametric Causal Discovery
Technical University of Denmark(丹麦技术大学)
因果发现估计产生观察数据的潜在物理过程:X导致Y还是Y导致X?当只有观测数据可用时,当前的方法使用结构条件将因果查询转换为统计查询。但如果这些统计查询对因果不变量敏感怎么办?本研究探讨这样一个不变量:X和Y之间的因果关系对于X和Y的边缘分布是不变量。我们提出了一种算法,使用非参数估计,是强大的边缘分布的变化。这样,我们可以边缘化边缘,并检查什么关系是内在的。由此产生的因果估计是有竞争力的,目前的方法,并高度重视因果查询的不确定性,一个方面一样重要的查询本身。
2020-08-12 cs.LG stat.ML
D'ya like DAGs? A Survey on Structure Learning and Causal Discovery
University of Surrey(萨里大学)
因果推理是科学和人类智力的重要组成部分。为了从数据中发现因果关系,我们需要结构发现方法。我们提供了一个背景理论和结构发现方法的调查审查。我们主要关注现代的、持续的优化方法,并为基准数据集和软件包等进一步的资源提供参考。最后,我们讨论了从结构到因果关系所需的跳跃性。
2021-03-04 cs.LG stat.ME 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
ASP-based Discovery of Semi-Markovian Causal Models under Weaker Assumptions
University of South Australia(南澳大学);Lingnan University(岭南大学);California Institute of Technology(加州理工学院);Shenzhen University(深圳大学)
近年来,放松自动因果发现中所谓的忠实性假设的可能性已经被研究。调查表明:(1)忠实性假设可以通过各种方式被削弱,这在重要意义上保持了它的力量;(2)忠实性的削弱可能有助于加快基于答案集编程的方法。然而,到目前为止,这一系列的工作只考虑了没有潜在变量的因果模型的发现。在本文中,我们研究了半马尔可夫因果模型的基于约束的发现的忠诚度的削弱,它容纳了潜在变量的可能性,并表明(1)和(2)仍然是这种情况下,在这个更现实的设置。
2019-06-06 cs.LG stat.ML
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
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
Causal Discovery from Incomplete Data: A Deep Learning Approach
Eindhoven University of Technology(埃因霍温理工大学);Massachusetts Institute of Technology(麻省理工学院)
随着人工智能的发展,系统变得越来越自治,从观察的感官输入中发现因果知识是很重要的。通过编码事件之间的一系列因果关系,因果网络可以帮助预测给定行为的影响,并分析其潜在的数据生成机制。然而,缺失数据在实际场景中普遍存在。直接对部分观测数据执行现有的偶然发现算法可能导致不正确的推断。为了缓解这个问题,我们提出了一个深度学习框架,称为插补因果学习(ICL),来执行迭代缺失数据插补和因果结构发现。通过对合成数据和真实数据的广泛模拟,我们表明ICL在不同的缺失数据机制下都可以优于最先进的方法。
2020-01-15 cs.LG stat.ML
Bivariate Causal Discovery for Categorical Data via Classification with Optimal Label Permutation
Texas A&M University(德州农工大学)
定量数据的因果发现已经被广泛研究,但对分类数据的研究较少。我们提出了一种新的因果模型的分类数据的基础上,一个新的分类模型,称为分类与最佳标签排列(COLP)。通过设计,COLP是一个简约的分类器,它产生了一个可证明可识别的因果模型。通过比较因果模型和反因果模型的似然函数的简单学习算法足以学习因果方向。通过与合成和真实数据的实验,我们证明了所提出的基于COLP的因果模型的良好性能相比,国家的最先进的方法。我们还提供了一个随附的R包COLP,其中包含拟议的因果发现算法和分类因果对的基准数据集。
2022-12-11 cs.LG stat.ME 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
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
Causal Discovery from Heterogeneous/Nonstationary Data with Independent Changes
Carnegie Mellon University(卡内基梅隆大学);Lingnan University(岭南大学);Rutgers University(罗格斯大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
异构或非平稳数据是常见的,其底层生成过程跨域或随时间而变化。这种分布偏移特征为因果发现带来了挑战和机遇。在本文中,我们开发了一个框架的因果发现从这样的数据,称为约束为基础的因果发现从异构/非平稳数据(CD-NOD),找到因果骨架和方向,并估计机制变化的属性。首先,我们提出了一个增强的基于约束的过程来检测变量的局部机制的变化和恢复的骨架的因果结构观察到的变量。其次,我们提出了一种方法来确定因果方向,利用独立的变化隐含的数据分布的基础因果模型,受益于不断变化的分布所携带的信息。在学习了因果结构之后,接下来,我们研究如何有效地估计因果机制的非平稳性的“驱动力”。也就是说,我们的目标是从数据中提取变化的低维表示。所提出的方法是非参数的,对数据分布和因果机制没有硬性限制,并且不依赖于窗口分割。此外,我们发现,数据的异质性的因果结构识别,即使特定类型的混杂因素。最后,我们展示了因果发现中的异质性/非平稳性和软干预之间的联系。各种合成和现实世界的数据集(任务功能磁共振成像和股票市场数据)的实验结果证明所提出的方法的有效性。
2020-06-25 cs.LG stat.ML
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Zhejiang University(浙江大学);Tsinghua University(清华大学)
针对观测表格数据因果发现难题,提出DAG-FM基础模型,通过自回归阶段、表格交互块及叶专家混合处理复杂情况,经迭代推理构建DAG,在合成及真实数据集上性能优于传统算法和其他模型。
2026-08-04 cs.LG stat.ML
Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms
Inria(法国国家信息与自动化技术研究院);CEA(法国国家科学研究中心);University of Paris-Saclay(巴黎-萨克勒大学);University of Carnegie Mellon(卡内基梅隆大学);Apple(苹果公司);University of Helsinki(赫尔辛基大学)
该研究针对因果发现需强非高斯性假设的问题,利用多视图结构提出多视图线性结构方程模型及相关算法,可估计脑区因果图,在模拟与神经影像数据中验证有效。
2026-10-23 cs.LG stat.ML
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data
Humboldt University Berlin(柏林洪堡大学);Bucharest University of Economic Studies(布加勒斯特经济研究大学)
针对观测数据非线性因果发现缺乏统一评估框架的问题,提出可解释的六维评估指标DOS,并通过大规模模拟研究评估七类结构学习算法,发现摊销因果发现性能接近最优。
2024-12-16 cs.LG stat.ML
Causal Discovery for Manufacturing Domains
Robert Bosch LLC(罗伯特·博世有限责任公司)
产量和质量的提高对任何制造公司都至关重要。提高产量的方法之一是通过发现影响产量的根本原因。我们建议使用数据驱动的可解释的因果模型来确定影响产量的关键因素。我们专注于在产品制造周期的不同生产和测试阶段测量的因素。我们将因果结构学习技术应用于从这条线收集的真实数据。具体来说,这项工作的目标是从生产线产生的观测数据中学习可解释的因果模型。重点已经给出了模型的可解释性,使他们在制造领域的行动。我们强调了装配线数据带来的挑战,并提出了缓解这些挑战的方法。我们还确定了源自装配线的数据的独特特征,以及如何利用它们来改善因果发现。因果结构学习的标准评估技术表明,学习的因果模型似乎密切代表了生产过程中不同因素之间的潜在因果关系。这些结果也得到了制造领域专家的验证,他们认为这些结果很有前途。这项工作演示了如何数据采掘和知识发现可以用于根本原因分析领域的制造业和连接的行业。
2016-06-13 cs.AI cs.LG
An Upper Bound for Random Measurement Error in Causal Discovery
University of Amsterdam(阿姆斯特丹大学);ETH Zürich(苏黎世联邦理工学院);IBM Research(IBM研究院)
因果发现算法根据几个假设从数据中推断因果关系,其中包括不存在测量误差。然而,这一假设在实际应用中很可能被违反,这可能导致错误的、不可再现的结果。在这项工作中,我们将展示如何获得一个上限的随机测量误差的方差从测量变量的协方差矩阵,以及如何使用这个上限作为一个校正约束为基础的因果发现。我们展示了我们的方法在模拟数据和真实世界的蛋白质信号数据的实际应用。
2018-10-18 cs.LG stat.ML
Causal Discovery Toolbox: Uncover causal relationships in Python
本文提出了一个新的开源Python框架,用于从观测数据和领域背景知识中发现因果关系,旨在建立因果图和因果机制模型。'cdt'包实现了端到端的方法,恢复变量之间的直接依赖关系(因果图的骨架)和因果关系。它包括来自'Bnlearn'和'Pcalg'包的算法,以及用于成对因果发现的算法,如ANM。'cdt'在https://github.com/Diviyan-Kalainathan/CausalDiscoveryToolbox的MIT许可下可用。
2019-03-06 stat.CO stat.ML
Simulations evaluating resampling methods for causal discovery: ensemble performance and calibration
University of Minnesota(明尼苏达大学);University of Michigan(密歇根大学)
当一个系统可以被观察到,但在实践中无法进行实验时,因果发现可以成为研究因果关系的有力工具。尽管如此,它很少用于任何科学或医学领域。阻碍因果发现领域产生更大影响的主要障碍之一是,很难确定因果发现方法的输出在现实世界中何时可以信任。当人类健康受到威胁时,信任尤其重要。在本文中,我们报告了一系列的模拟研究的结果,调查不同的resterning方法的性能作为发现的图形功能的信心指标。我们发现,子采样和放回抽样都表现得令人惊讶的好,这表明他们可以作为信任的图形功能的理由。我们还发现,子采样和放回抽样的校准有不同的收敛特性,这表明一个人的选择使用应取决于样本量。
2019-10-04 cs.LG stat.ML