MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Cambridge(剑桥大学);University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
缺失数据是机器学习实践中的一个重要问题。从插补方法应该保留数据的因果结构的前提出发,我们开发了一个正则化方案,鼓励任何基线插补方法与底层数据生成机制在因果关系上保持一致。我们的建议是一个因果意识的插补算法(奇迹)。MIRACLE通过同时对缺失生成机制进行建模,迭代地细化基线的插补,鼓励插补与数据的因果结构一致。我们对合成数据集和各种公开可用的数据集进行了广泛的实验,以表明MIRACLE能够在所有三种缺失情况下持续改进各种基准方法的插补:随机,完全随机和非随机。
2021-11-04 cs.LG
Causal Fairness Assessment of Treatment Allocation with Electronic Health Records
Columbia University Irving Medical Center(哥伦比亚大学欧文医学中心);University of Michigan(密歇根大学);Columbia University(哥伦比亚大学)
针对电子健康记录中治疗分配的公平性评估空白,提出一种因果公平性算法,通过匹配相同治疗获益可能性的患者识别潜在不公,并应用于冠状动脉疾病队列验证及分析健康社会决定因素的影响。
2024-01-07 cs.LG
Causal Discovery in the Presence of Missing Data
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)
缺失数据在包括医疗保健在内的许多领域都是普遍存在的。当这些数据录入不是完全随机缺失时,观测数据中的(条件)独立关系可能与基础因果过程生成的完整数据中的独立关系不同。因此,简单地将现有的因果发现方法应用于观测数据可能会导致错误的结论。在本文中,我们的目标是开发一种因果发现方法,从遵循不同缺失机制的观测数据中恢复潜在的因果结构,包括完全随机缺失(MCAR),随机缺失(MAR)和非随机缺失(MNAR)。与missingness图表示的missingness机制,我们分析的条件下,需要额外的校正,以获得完整的数据中的条件独立/依赖关系。基于我们的分析,我们提出了连续和二进制变量的缺失值PC(MVPC)算法,它扩展了PC算法,将额外的校正。我们提出的MVPC在理论上给出渐近正确的结果,即使是MAR或MNAR的数据。在合成数据上的实验结果表明,该算法即使在一般的MNAR情况下也能找到正确的因果关系。此外,我们创建了一个神经性疼痛诊断模拟器,用于评估因果发现方法。在模拟神经病理性疼痛诊断记录和其他两个真实世界的应用程序上进行评估,MVPC优于其他基准方法。
2020-07-12 cs.LG stat.ML
COKE: Causal Discovery with Chronological Order and Expert Knowledge in High Proportion of Missing Manufacturing Data
National Yang Ming Chiao Tung University(国立阳明交通大学)
COKE利用专家知识与时间顺序信息,在不填补缺失数据的情况下构建制造数据因果图,并通过actor-critic优化图生成,在F1分数上显著优于基准方法。
2024-08-01 cs.LG stat.ME
Adjustment Criteria for Recovering Causal Effects from Missing Data
Iowa State University(爱荷华州立大学)
混淆偏差、缺失数据和选择偏差是数据科学中有效因果推理的三个常见障碍。协变量调整是从混杂偏倚中恢复因果效应的最普遍的技术。在本文中,我们引入了一个协变量调整公式,用于控制混杂偏倚的缺失非随机数据的存在,并开发了一个必要和充分条件,恢复因果效应使用调整。我们还介绍了一个调整配方控制混杂和选择偏差的缺失数据的存在,并制定了有效的调整的充分必要条件。此外,我们提出了一个算法,列出所有有效的调整集和算法,找到一个有效的调整集包含最小数量的变量,这是有用的研究人员有兴趣选择调整集所需的属性。
2019-09-15 cs.LG stat.ML
Disparate Effect Of Missing Mediators On Transportability of Causal Effects
New York University(纽约大学)
针对中介变量缺失导致迁移因果效应有偏的问题,提出敏感性分析框架量化影响,并应用于住房券实验数据,给出效应界限与可承受缺失度。
2024-03-13 cs.CY cs.LG
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales(社会分析与数学中心);EHESS(高等社会科学研究院);Centre de Mathématiques Appliquées(应用数学中心);École Polytechnique(巴黎综合理工学院);Inria XPOP(法国国家信息与自动化研究所XPOP团队);Google Research(谷歌研究院)
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而,用于因果推断的最新方法很少考虑协变量具有缺失值的可能性,这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂,因为它们需要一个适应的无混淆假设,而这在实践中很难证明。我们绕过这个问题,考虑潜在的混淆,其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤,但我们也建议将它们嵌入多重插补策略中,以考虑缺失值引起的变异性。数值实验表明,所提出的方法的有效性,特别是对非线性模型相比,竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
Causal Inference with Noisy and Missing Covariates via Matrix Factorization
Cornell University(康奈尔大学)
观察性研究中有效的因果推断通常需要控制混杂因素。然而,在实践中,混杂因素的测量可能是嘈杂的,并可能导致因果效应的有偏估计。我们表明,我们可以减少测量噪声所造成的偏见,使用大量的噪声测量的潜在混杂因素。我们提出了使用矩阵分解来推断噪声协变量的混杂因素,这是一个灵活和原则性的框架,适用于缺失值,适应各种数据类型,并可以增强许多因果推断方法。我们对诱导的平均处理效应估计量的误差进行了限制,并使用指数族矩阵完备化预处理,证明了它在线性回归设置中是一致的。我们证明了所提出的方法的有效性,在数值实验与合成数据和真实的临床数据。
2018-06-03 cs.LG stat.ML
Response to Discussions of "Causal and Counterfactual Views of Missing Data Models"
Department of Biostatistics and Bioinformatics, Emory University(生物统计学与生物信息学系,埃默里大学);Department of Computer Science, Williams College(计算机科学系,威廉姆斯学院);Department of Computer Science, Johns Hopkins University(计算机科学系,约翰霍普金斯大学);Departments of Biostatistics and Epidemiology, Harvard University(生物统计学与流行病学系,哈佛大学)
本文回应四位讨论者对缺失数据模型因果与反事实视角论文的评论,总结主要贡献并逐一答复。
2025-10-16 cs.LG stat.ME stat.ML
Causal Discovery from Sparse Time-Series Data Using Echo State Network
University of Waterloo(滑铁卢大学);ATS Automation(ATS自动化公司)
时间序列数据集合之间的因果关系发现可以帮助诊断症状的原因,并有望在故障发生之前预防故障。然而,可靠的因果发现可能是非常具有挑战性的,特别是当数据采集速率变化时(即,非均匀数据采样),或者在存在缺失数据点的情况下(例如,稀疏数据采样)。为了解决这些问题,我们提出了一个由两部分组成的新系统,第一部分用高斯过程回归填充缺失数据,第二部分利用回声状态网络,这是一种水库计算机(即,用于混沌系统建模)用于因果发现。我们评估我们提出的系统对其他三个现成的因果发现算法,即结构期望最大化,子采样线性自回归绝对系数,和多变量Granger因果关系与向量自回归使用田纳西伊士曼化学数据集的性能;我们报告了相应的马修斯相关系数(MCC)和受试者工作特征曲线(ROC)并表明,该系统优于现有的算法,证明了我们的方法的可行性,发现在一个复杂的系统中的因果关系与丢失的条目。
2023-01-11 cs.LG stat.ME
MissDAG: Causal Discovery in the Presence of Missing Data with Continuous Additive Noise Models
The University of Melbourne(墨尔本大学);Carnegie Mellon University(卡内基梅隆大学);JD Explore Academy(京东探索研究院);The University of Sydney(悉尼大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
最先进的因果发现方法通常假设观测数据是完整的。然而,缺失数据问题在临床试验、经济学和生物学等许多实际场景中普遍存在。解决缺失数据问题的一个简单方法是首先使用现成的插补方法对数据进行插补,然后应用现有的因果发现方法。然而,这样的两步方法可能遭受次优性,因为插补算法可能引入用于对基础数据分布进行建模的偏差。在本文中,我们开发了一个通用的方法,我们称之为MissDAG,从不完整的观测数据进行因果发现。MissDAG主要关注可识别缺失和可识别加性噪声模型(ANMs)的假设,在期望最大化(EM)框架下最大化观测可见部分的期望似然。在E步骤中,在以封闭形式计算参数的后验分布不可行的情况下,利用Monte Carlo EM来近似似然。在M步骤中,MissDAG利用密度变换,通过ANM以更简单和具体的公式对噪声分布进行建模,并使用具有有向非循环图约束的基于似然的因果发现算法。我们展示了MissDAG的灵活性,将各种因果发现算法和其功效,通过广泛的模拟和真实数据实验。
2023-01-17 cs.LG stat.ML
Optimal Transport for Structure Learning Under Missing Data
Monash University(莫纳什大学);CSIRO’s Data61(联邦科学与工业研究组织数据61部);VinAI Research(VinAI研究院)
针对缺失数据下因果发现的困境,提出一种基于最优传输和分数的算法,将结构学习转化为密度拟合问题,寻找与观测数据分布Wasserstein距离最小的因果模型,实验证明其恢复因果图更有效且具可扩展性。
2024-06-01 cs.AI cs.LG
Causal Representation Learning from Multimodal Clinical Records under Non-Random Modality Missingness
Emory University(埃默里大学)
本文针对多模态临床记录中非随机缺失模态问题,提出一个因果表示学习框架,通过MMNAR感知融合、对比重建和偏倚校正,在MIMIC-IV和eICU上显著提升再入院和ICU入院预测性能。
2026-11-09 cs.CL cs.LG stat.ME
The Laws of Context Allocation: Causal Measurement and Closed-Loop Orchestration in Generative Search
National Engineering Research Center for Software Engineering, Peking University(北京大学国家软件工程研究中心);Peking University(北京大学);Tencent(腾讯)
该研究针对RAG的证据利用测量与上下文预算分配瓶颈,提出因果留一法探针与闭环次模调度器,实现组合召回率提升16.7-20.5个百分点,确立顺序反馈驱动编排为生成式搜索的范式。
2026-08-25 cs.CL cs.IR cs.LG
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
ITSY: Causal Discovery From Irregular Time-Series Data
Renmin University of China(中国人民大学);Zhejiang University(浙江大学)
ITSY提出首个连续优化方法,在线性模型下从不规则时间序列中联合插补缺失值并学习因果图,通过加权重建目标纠正噪声变换,在合成和真实基准上优于现有SCM基线。
2026-09-22 cs.LG
Direct Heterogeneous Causal Learning for Resource Allocation Problems in Marketing
Meituan(美团);State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室)
营销是增加用户参与度和提高平台收入的重要机制,异构因果学习有助于制定更有效的策略。市场营销中的大多数决策问题都可以表述为资源分配问题,并且已经研究了几十年。现有的工作通常将求解过程分为两个完全解耦的阶段,即,机器学习(ML)和运筹学(OR)--第一阶段预测模型参数,并将其提供给第二阶段的优化。然而,ML中的预测参数的误差不能被尊重,或中的一系列复杂的数学运算导致累积误差增加。本质上,由于解耦设计的副作用,预测参数的精度提高可能与最终解不具有正相关性。在本文中,我们提出了一种新的方法来解决资源分配问题,以减轻副作用。我们的关键直觉是,我们引入决策因子来建立ML和OR之间的桥梁,使得仅通过对决策因子执行排序或比较操作就可以在OR中直接获得解决方案。此外,我们设计了一个定制的损失函数,可以进行直接的异构因果学习的决策因素,一个无偏估计的损失时,可以保证收敛。作为一个案例研究,我们将我们的方法应用于营销中的两个关键问题:二进制治疗分配问题和多个治疗的预算分配问题。大规模仿真和在线A/B测试表明,我们的方法实现了显着的改善与国家的最先进的。
2022-11-30 cs.AI cs.LG
Causal Discovery from Incomplete Data using An Encoder and Reinforcement Learning
University of Sydney(悉尼大学);University of Technology Sydney(悉尼科技大学);Ingham Institute(英厄姆研究所)
发现一组变量之间的因果结构是许多领域的基本问题。然而,最先进的方法很少考虑观测数据具有缺失值(不完整数据)的可能性,这在许多现实情况下是普遍存在的。缺失值会严重影响因果发现算法的性能,甚至导致算法失效。在本文中,我们提出了一种方法来发现因果结构,从不完整的数据,通过使用一种新的编码器和强化学习(RL)。编码器被设计用于缺失数据填补以及特征提取。特别是,它学会将当前可用的信息(具有缺失值)编码为鲁棒的特征表示,然后用于确定在哪里搜索最佳图。编码器被集成到一个RL框架中,可以使用Actor-Critic算法进行优化。我们的方法以不完整的观测数据作为输入,并生成一个因果结构图。在合成数据和真实数据上的实验结果表明,该方法可以从不完整数据中鲁棒地生成因果结构。与直接结合数据填补和因果发现方法相比,我们的方法表现更好,甚至可以获得高达43.2%的性能增益。
2020-06-09 cs.LG stat.ML
Causal Machine Learning for Cost-Effective Allocation of Development Aid
ETH Zurich(苏黎世联邦理工学院);LMU Munich(慕尼黑大学);Munich Center for Machine Learning(慕尼黑机器学习中心)
提出包含平衡自编码器、反事实生成器和推断模型的因果机器学习框架,以预测援助的异质性处理效应,并基于HIV援助数据证明其可显著优化援助分配。
2024-06-15 cs.LG stat.ML
Causal Debiasing Medical Multimodal Representation Learning with Missing Modalities
DataLab: Data Science and Informatics, University of California, Davis(加州大学戴维斯分校数据实验室);Department of Electrical and Computer Engineering, University of Rochester(罗切斯特大学电气与计算机工程系);Academy for Engineering & Technology, Fudan University(复旦大学工程与技术学院);Department of Computer Science, University of Toronto(多伦多大学计算机科学系);Department of Electrical and Computer Engineering, New York University(纽约大学电气与计算机工程系);UC Davis Health(加州大学戴维斯分校医疗中心);Department of Basic Medical Sciences, University of Arizona(亚利桑那大学基础医学系);Department of Computer Science, University of California, Davis(加州大学戴维斯分校计算机科学系)
针对医学多模态学习中模态缺失引发的偏差,提出基于因果分析和后门调整的去偏框架,有效提升模型泛化能力。
2025-09-06 cs.AI cs.LG
Be Causal: De-biasing Social Network Confounding in Recommendation
University of Technology, Sydney(悉尼科技大学)
在推荐系统中,非随机缺失(MNAR)问题的存在导致了选择偏差问题,最终降低了推荐性能。解决MNAR的一种常见做法是从所谓的“暴露”角度处理缺失条目,即,对项目如何暴露(提供)给用户进行建模。大多数现有的方法使用启发式模型或重新加权策略上观察到的收视率,以模仿随机缺失的设置。然而,很少有研究表明,从因果关系的角度来看,评级是如何缺失的。为了弥补这一差距,我们提出了一个无偏的和强大的方法称为DENC(去偏网络混淆的建议)的启发混淆分析的因果推理。一般来说,DENC从固有因素(例如,潜在用户或项目因素)和辅助网络的视角。特别地,在DENC中提出的暴露模型可以控制社会网络混淆,同时保留观察到的暴露信息。我们还通过平衡表示学习开发了一个去框架模型,保留了主要用户和项目特征,使DENC能够很好地推广评分预测。在三个数据集上的广泛实验验证了我们提出的模型优于最先进的基线。
2021-05-20 cs.LG
Learning Cyclic Causal Models from Incomplete Data
Georgia Institute of Technology(佐治亚理工学院)
提出 MissNODAGS 框架,在加性噪声模型下结合 EM 交替进行缺失数据插补与可见数据期望对数似然最大化,以从含缺失的干预数据中学习循环因果图,并在合成及单细胞数据上验证性能提升。
2024-02-23 cs.AI cs.LG stat.ML
Learning Causal Normalizing Flows from Incomplete Data via Observed-Data Likelihood
University of Bern(伯尔尼大学);Inselspital, Bern University Hospital(伯尔尼大学医院);Diabetes Center Berne(伯尔尼糖尿病中心);University of Thessaly(色萨利大学)
提出MissCNF,通过最大化部分观测样本的边际似然直接在不完整数据上训练因果归一化流,无需丢弃数据或插补,在多种缺失机制下优于现有方法。
2026-09-30 cs.LG
Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data
London School of Hygiene & Tropical Medicine(伦敦卫生与热带医学院);University College London(伦敦大学学院);Ghent University(根特大学)
针对异质性处理效应估计中缺失结局数据导致亚组代表性不足的问题,提出整合删失权重逆概率的mDR-learner和mEP-learner两种去偏估计器,证明其oracle效率,模拟及GBSG2试验应用显示优于现有方法,为实践者提供实施指导。
2025-04-13 cs.LG stat.ML
Causal Discovery for Irregularly Time Series with Consistency Guarantees
Zhejiang University, Hangzhou, China(浙江大学,杭州,中国)
本文研究了不规则采样时间序列中的因果发现,针对金融、医疗和气候科学等风险敏感领域中缺失数据和不一致采样频率带来的挑战,提出ReTimeCausal框架,通过交替的填补与结构学习过程,提供理论一致性保证。
2026-05-11 cs.AI cs.LG
Generalized Kernel Ridge Regression for Causal Inference with Missing-at-Random Sample Selection
MIT(麻省理工学院)
我提出了核岭回归估计的非参数剂量反应曲线和半参数处理效应的设置中,分析师有机会获得一个选定的样本,而不是一个随机样本,只有选择观察,观察的结果。我假设选择与随机一样好,条件是治疗和一组足够丰富的观察到的协变量,其中允许协变量引起治疗或由治疗引起-随机缺失(MAR)的扩展。我提出了估计的手段,增量和分布的反事实的结果与封闭形式的解决方案,在核矩阵运算,允许治疗和协变量是离散的或连续的,低,高,或无限维。对于连续治疗的情况下,我证明了一致的一致性与有限的采样率。对于离散处理的情况下,我证明根-n的一致性,高斯近似,和半参数效率。
2021-11-09 cs.LG econ.EM math.ST
Causal View of Time Series Imputation: Some Identification Results on Missing Mechanism
School of Computer Science, Guangdong University of Technology(广东技术大学计算机科学学院);Peng Cheng Laboratory(鹏城实验室);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学);College of Science, Shantou University(汕头大学理学院)
本文从因果视角分析 MAR、MNAR 等不同缺失机制,提出结合变分推断、归一化流与非线性 ICA 可辨识性理论的 DMM 时间序列填补框架,并在多数据集上验证其优势。
2025-05-12 cs.LG stat.ML
Causal Inference with Corrupted Data: Measurement Error, Missing Values, Discretization, and Differential Privacy
Columbia University(哥伦比亚大学);Harvard University(哈佛大学)
针对2020年美国人口普查数据损坏导致的隐私与分析精度权衡问题,提出一种高维损坏数据下的因果推断半参数模型,通过数据清洗调整的置信区间和有限样本论证,在保证隐私的同时实现了有效推断。
2024-02-12 cs.LG econ.EM math.ST
A Relative Ignorability Framework for Decision-Relevant Observability in Control Theory and Reinforcement Learning
Sanofi Pharmaceuticals(赛诺菲制药);Department of Mathematics, Texas A&M University(数学系,德克萨斯大学阿姆斯特朗分校)
本文提出相对可忽略性图因果准则,统一因果推断与强化学习视角,证明在非马尔可夫且缺失可忽略条件下Q学习仍可收敛,扩展了安全数据高效AI的理论基础。
2025-08-06 cs.LG stat.ME
Deep End-to-end Causal Inference
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Cambridge(剑桥大学);Microsoft Research(微软研究院);G-Research
因果推断对于跨业务参与、医疗和政策制定等领域的数据驱动决策至关重要。然而,因果发现的研究已经从推理方法中独立出来,阻止了两个领域的方法的直接结合。在这项工作中,我们开发了深度端到端的因果推断(DECI),一个基于单流的非线性加性噪声模型,采用观测数据,可以执行因果发现和推理,包括条件平均处理效应(CATE)估计。我们提供了一个理论上的保证,DECI可以恢复标准的因果发现假设下的地面真相因果图。出于应用程序的影响,我们将此模型扩展到具有缺失值的异构混合类型数据,允许连续和离散的治疗决策。我们的研究结果显示,与因果发现和(C)ATE估计的相关基线相比,DECI在一千多个实验中具有竞争力的性能,这些实验涉及合成数据集和因果机器学习基准,跨越数据类型和缺失程度。
2022-06-20 cs.LG stat.ML
Cause-Effect Deep Information Bottleneck For Systematically Missing Covariates
Harvard John A Paulson School of Engineering and Applied Sciences, Harvard University(哈佛大学约翰·A·保尔森工程与应用科学学院,哈佛大学);University of Basel(巴塞尔大学)
由于混杂因素的存在,从高维观测数据中估计干预措施的因果效应是困难的。由于在测试时我们的数据中可能有系统性的缺失,这项任务通常会变得复杂。我们的方法使用的信息瓶颈进行低维压缩的协变量,明确考虑的相关性的信息。基于充分减少的协变量,我们将相关信息转移到测试时数据缺失的情况下,使我们能够可靠准确地估计干预措施的效果,即使数据不完整。我们的结果因果推断基准和治疗败血症的实际应用表明,我们的方法达到了最先进的性能,而不牺牲可解释性。
2020-02-28 cs.LG stat.ML
PRISM: Differentially Private Synthetic Data with Structure-Aware Budget Allocation for Prediction
PRISM通过结构感知预算分配提升预测准确性,结合因果、图和预测阶段优化合成数据生成。
2026-02-10 cs.LG
Estimating Misreporting in the Presence of Genuine Modification: A Causal Perspective
University of Michigan(密歇根大学);University of Pennsylvania(宾夕法尼亚大学);Emory University(埃默里大学)
针对资源分配中难以区分智能体误报与真实修改的挑战,本文提出一种因果驱动的方法,通过比较被操纵与未被操纵数据集中特征对下游因果后代的影响来识别和量化误报率,并在半合成与真实Medicare数据集上验证了其有效性。
2025-05-29 cs.LG
Multi-environment Invariance Learning with Missing Data
本文研究在存在缺失数据情况下如何通过不变性学习提升模型泛化能力,提出一种在缺失数据下估计不变性目标的算法,并通过模拟和UCI自行车共享数据集验证其有效性。
2026-05-08 cs.LG math.ST stat.ME
Practical Marketplace Optimization at Uber Using Causally-Informed Machine Learning
Uber Technologies, Inc(优步科技公司)
针对Uber市场杠杆预算分配挑战,提出基于S-Learner深度学习估计器与张量B样条回归的端到端机器学习优化流程,利用ADMM和内点法求解高维优化,大幅提升资源分配效率。
2024-07-26 cs.LG stat.ML
Root Cause Analysis of Outliers with Missing Structural Knowledge
University of Cambridge(剑桥大学);Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);Amazon Tübingen(亚马逊图宾根)
本文提出了一种简单高效的方法,用于在因果图是聚树的情况下,通过边际异常分数识别异常根源,无需假设因果图结构或指定异常分数阈值。
2026-02-04 cs.LG stat.ML
Nearly Optimal Bayesian Inference for Structural Missingness
Harbin Institute of Technology, Harbin, China(哈尔滨工业大学)
本文提出了一种近似最优的贝叶斯推断框架,通过解耦模型内缺失值后验学习与标签预测,实现了在结构缺失性问题上的高效且准确的预测。
2026-01-27 cs.LG
Challenges of Using Text Classifiers for Causal Inference
Johns Hopkins University(约翰斯·霍普金斯大学)
因果理解对于许多类型的决策都是必不可少的,但是从观测数据中进行因果推理通常只应用于结构化的低维数据集。虽然文本分类器产生低维输出,但它们在因果推理中的使用以前没有被研究过。为了促进基于语言数据的因果分析,我们认为文本分类器可以发挥的作用,通过建立建模机制,从缺失的数据和测量误差的因果关系文献的因果推理。我们演示了如何使用文本分类器对模拟数据和Yelp数据进行因果分析,并讨论了在因果推理中使用文本数据的未来工作的机遇和挑战。
2018-10-01 cs.CL cs.LG
From Prediction to Incrementality: Causal Optimization for Large-Scale Targeting and Recommendation
LinkedIn(领英)
该研究针对大规模定向投放与推荐系统的资源错配问题,提出以决策为中心的因果优化框架,经实验验证可实现主要长期价值指标7.20%的统计显著提升,证明了生产规模因果优化的可行性。
2026-08-12 cs.AI cs.LG
A Causal Convolutional Low-rank Representation Model for Imputation of Water Quality Data
College of Computer and Information Science(计算机与信息科学学院);Southwest University(西南大学);School of Environment and Ecology(环境与生态学院);Chongqing University(重庆大学);Chongqing Eco-Environment Monitoring Center(重庆生态环境监测中心)
提出因果卷积低秩表示模型,利用时间依赖与自适应超参数填补水质缺失数据,在真实数据集上精度和效率优于现有方法。
2025-04-21 cs.AI cs.LG
Budget-Constrained Causal Bandits: Bridging Uplift Modeling and Sequential Decision-Making
本文提出预算约束因果老虎机框架,解决冷启动场景下的广告分配问题,通过在线学习提升用户响应并优化预算分配,相较于传统方法更高效且稳定。
2026-08-31 cs.LG econ.EM stat.ML
Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference
Southeast University(东南大学);University of Science and Technology of China(中国科学技术大学)
针对高维张量设置中的因果推断难题,提出整合处理掩码与塔克结构的条件扩散模型CFTDiff,以高效恢复缺失控制结果的联合条件分布,并在模拟和挪威iFlex实验中验证了其更优的恢复精度与反事实推断能力。
2026-09-23 cs.LG econ.EM stat.ML
An Expectation-Maximization Algorithm for Domain Adaptation in Gaussian Causal Models
Computer Science Department Appalachian State University Boone, USA(计算机科学系阿巴拉契亚州立大学博因顿, 美国)
该研究提出了一种基于DAG的高斯因果模型中用于领域适应的期望-最大化算法,通过结合源数据和目标数据提高目标变量填补的准确性。
2026-01-06 cs.AI cs.LG