Maximum Entropy Estimation of Heterogeneous Causal Effects
该研究针对因果推断中无强可忽略处理分配假设的场景,提出用最大熵原理估计异质性因果效应的方法,得出关联部分虚假部分因果的审慎结论,并应用于大麻与硬毒品使用的关联分析。
2024-07-11 stat.ME
Combining multiple observational data sources to estimate causal effects
大数据时代见证了用于统计分析的多个数据源的日益可用性。我们考虑将大的主数据与不可测量的混杂因素和较小的验证数据与这些混杂因素的补充信息相结合来估计因果效应。在完全观察到混杂因素的无混杂性假设下,较小的验证数据允许构造因果效应的相合估计量,但较大的主数据一般只能给出易错估计量。然而,通过以原则性的方式利用大主数据中的信息,我们可以提高估计效率,同时保留仅基于验证数据的初始估计量的可靠性。我们的框架适用于渐近正态估计,包括常用的回归插补,加权和匹配估计,并不需要一个正确的规范的模型相关的不可测量的混杂因素的观察变量。我们还提出了适当的自举程序,这使得我们的方法直接使用现有的估计软件例程来实现。
2021-08-21 stat.ME
Borrowing from Supplemental Sources to Estimate Causal Effects from a Primary Data Source
越来越多的数据来源提供了令人兴奋的可能性,估计治疗,干预或暴露的影响,特别是如果观察和实验来源可以同时使用。源之间的借用可能会导致更有效的估计,但必须以原则性的方式进行,以减轻增加的偏倚和第一类错误。此外,当治疗效果混杂时,如在观察性来源或不依从的临床试验中,需要因果效应估计量同时调整混杂因素并估计数据源间的效应。我们考虑的问题,估计因果关系的影响,从一个主要来源和借款的任何数量的补充来源。我们建议使用基于回归的估计,借用的基础上假设交换的回归系数和参数之间的数据源。借款是用多变量交换模型和贝叶斯平均模型完成的。我们通过模拟表明,贝叶斯线性模型和贝叶斯加性回归树都具有理想的性质,并在适当的情况下借用。我们应用估计最近完成的试验非常低的尼古丁含量香烟调查其对吸烟行为的影响。
2020-03-21 stat.ME
Estimating Complier Average Causal Effects with Mixtures of Experts
针对治疗不依从问题,提出基于专家混合架构的CACE估计框架,放宽工具变量假设,证明可识别性与估计量性质,模拟和实际数据验证其优势。
2025-06-24 stat.ME
Causal inference in multi-cohort studies using the target trial framework to identify and minimize sources of bias
本文将目标试验框架扩展至多队列研究,通过明确目标估计量系统识别并最小化各队列及数据汇总中的偏倚,从而改进分析设计并增强因果推断的可靠性。
2024-07-04 stat.ME
A Selective Review of Negative Control Methods in Epidemiology
综述目的:阴性对照是检测和调整流行病学研究偏倚的有力工具。本文介绍了负面控制,以更广泛的受众,并提供指导原则的设计和因果关系分析的基础上,正式的负面控制框架。近期发现:我们回顾和总结了因果和统计假设,实用策略和验证标准,可以与主题知识相结合,以执行阴性对照分析。我们还回顾了现有的统计方法学的检测,减少和纠正混杂偏倚,并简要讨论了最近的进展,在双阴性对照设计的因果关系的非参数识别。总结:利用常规可获得阴性对照的当代医疗保健数据进行有效和准确的因果推断的潜力很大。利用阴性对照的观察数据的设计和分析是健康和社会科学越来越感兴趣的领域。尽管取得了这些进展,但还需要进一步努力传播这些新方法,以确保它们被执业流行病学家采用。
2022-07-19 stat.ME
Causal Meta-Analysis: Rethinking the Foundations of Evidence-Based Medicine
PreMeDICaL, Inria, Univ Montpellier, France(法国蒙彼利埃大学 PreMeDICaL 团队);University Medical Center Utrecht, Netherlands(荷兰乌得勒支大学医学中心);Sorbonne Université and Université Paris Cité, CNRS(索邦大学与巴黎西岱大学,法国国家科学研究中心)
本文提出基于因果推理的元分析方法,通过重新定义因果效应,解决传统固定或随机效应模型在解释和政策应用中的局限性,揭示传统方法可能误判治疗效果的问题。
2026-04-20 stat.ME
Frugal, Flexible, Faithful: Causal Data Simulation via Frengression
University of Oxford(牛津大学);Novo Nordisk(诺和诺德);University of Washington(华盛顿大学)
研究针对机器学习中因果推断稳健基准测试和评估的挑战,引入Frengression,通过节俭参数化建模联合分布,实现多元时变数据准确估计与灵活模拟,可直接采样,经临床试验数据验证实用,有望推动因果边际建模新研究。
2026-07-20 stat.ME stat.ML
Causal inference and policy evaluation without a control group
针对无对照组时传统因果效应方法失效的问题,本文提出基于机器学习的 Machine Learning Control Method,并通过模拟、复制研究和 COVID-19 教育不平等实证应用验证其有效性。
2024-10-25 econ.EM stat.AP
Discovery and Visualization of Nonstationary Causal Models
Carnegie Mellon University(卡内基梅隆大学);MPI for Intelligent Systems(马克斯·普朗克智能系统研究所);Lingnan University(岭南大学)
经常会遇到非平稳数据,其底层生成过程可能会随时间或跨域发生变化。非平稳性为因果发现带来了挑战和机遇。在本文中,我们提出了一个原则性的框架来处理非平稳性,并开发了一些方法来解决三个重要的问题。首先,我们提出了一种增强的基于约束的方法来检测变量的局部机制是非平稳的,并恢复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一些因果方向,利用不断变化的分布所携带的信息。第三,我们开发了一种可视化因果模块的非平稳性的方法。各种合成和真实世界的数据集上的实验结果证明我们的方法的有效性。
2016-06-18 cs.AI q-bio.NC stat.ME
Embracing Discrete Search: A Reasonable Approach to Causal Structure Learning
University College Dublin(都柏林大学学院);University of Copenhagen(哥本哈根大学)
FLOP算法通过快速父节点选择和迭代Cholesky更新,实现了高效的因果结构学习,显著提升了离散搜索在因果发现中的应用效果。
2026-02-27 cs.AI cs.LG stat.ME
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology(广东工业大学);Shantou University(汕头大学)
针对观测网络数据因果效应估计缺乏泛化界分析的问题,本文结合联合倾向得分重加权与IPM表示学习推导出泛化界,并据此提出加权回归方法,在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data
University of Connecticut Storrs(康涅狄格大学斯托尔分校);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of Massachusetts Lowell(马萨诸塞大学洛厄尔分校)
针对纵向生存数据中罕见事件导致的类不平衡和计算负担问题,提出一种可扩展的子采样与重加权策略,应用于ICE等因果效应估计器,在保持一致性的同时提高稳定性。
2026-06-01 cs.LG stat.ME
Robust Weighted Triangulation of Causal Effects Under Model Uncertainty
Dept. of Mathematics and Statistics University of Massachusetts Amherst(数学与统计学系 马萨诸塞大学阿默斯特分校)
本文提出一种在模型不确定性下稳健的因果效应三角测量框架,结合因果发现与半参数理论方法,提供有效统计推断并展示其在模拟和实证中的应用。
2026-07-10 cs.AI stat.ME
Causal Mediation Analysis Leveraging Multiple Types of Summary Statistics Data
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);University of Chicago(芝加哥大学)
全基因组关联研究(GWAS)的汇总统计表明,数百万个遗传标记与数万种表型之间存在因果关系。然而,潜在的生物学机制尚未阐明。我们可以在因果中介框架中实现对GWAS的必要解释,希望在遗传和下游变量之间建立一组稀疏的中介,但存在一些挑战。与现有的方法依赖于强有力的和不切实际的假设,我们解决了实际的挑战,在一个原则性的总结为基础的因果推断框架。我们在从真实世界的遗传数据生成的广泛模拟中分析了所提出的方法。我们证明了只有我们的方法可以准确地挽救因果基因,即使不知道实际的个人水平的数据,尽管存在竞争的非因果线索。
2019-01-24 cs.LG q-bio.GN stat.ML
Dagma-DCE: Interpretable, Non-Parametric Differentiable Causal Discovery
Stony Brook University(石溪大学)
针对可微因果发现现有方法代理指标与实际因果强度偏差大的问题,提出可解释、模型无关的Dagma-DCE方案,用可解释因果强度度量定义加权邻接矩阵,在模拟数据集上达SOTA性能,支持专家阈值设定与稀疏惩罚,代码开源且易适配。
2024-01-05 cs.LG stat.ME stat.ML
Explaining Deep Learning Models using Causal Inference
IBM Research(IBM研究院)
尽管深度学习模型已经成功应用于各种任务,但由于数百万个参数,它们变得越来越不透明和复杂。为了建立对它们广泛商业用途的信任,重要的是正式制定一个原则性的框架来推理这些模型。在这项工作中,我们使用因果推理的想法来描述一个通用的框架,推理CNN模型。具体来说,我们构建了一个结构因果模型(SCM)作为CNN特定方面的抽象。我们还制定了一种方法来定量排名卷积层的过滤器,根据其反事实的重要性。我们用流行的CNN架构(如LeNet5,VGG19和ResNet32)来说明我们的方法。
2018-11-11 cs.AI cs.LG stat.ML
A Causal Formulation of Spike-Wave Duality
本文用结构因果模型和Pearl的do-演算形式化峰波二象性问题,将争论从“哪种信号更重要”重构为“在何种条件下信号具有因果作用”,为区分预测与解释提供原则性框架。
2025-11-10 q-bio.NC stat.ME
BayesIMP: Uncertainty Quantification for Causal Data Fusion
University of Oxford(牛津大学);Microsoft Research Cambridge(微软研究院剑桥分院)
虽然因果模型正在成为机器学习的支柱之一,但因果推断中的不确定性量化问题仍然具有挑战性。在本文中,我们研究的因果数据融合问题,其中有关多个因果图的数据集相结合,以估计目标变量的平均处理效应。由于数据来自多个来源,并且可能在质量和数量上有所不同,因此原则性的不确定性量化变得至关重要。为此,我们引入了贝叶斯干预均值过程,这是一个框架,它结合了概率积分和核均值嵌入的思想来表示再生核希尔伯特空间中的干预分布,同时考虑到每个因果图中的不确定性。为了证明我们的不确定性估计的实用性,我们将我们的方法应用于因果贝叶斯优化任务,并显示了对最先进方法的改进。
2021-06-07 cs.LG stat.ML
Principled estimation of regression discontinuity designs
回归不连续设计经常被用来估计选举结果和政策干预的因果效应。在这些情况下,通常估计处理效应,包括协变量以提高效率。虽然纳入协变量可渐进提高精密度,但在实践中,处理效应是用少量观察结果估计的,导致处理效应幅度和精密度出现相当大的波动,具体取决于所选的协变量。因此,这种做法激励研究人员选择协变量,最大限度地提高处理效应的统计意义,而不是精度。在这里,我提出了一个原则性的方法来估计RDD,它提供了一种方法,提高精度与协变量,同时尽量减少不利的激励。这是通过将自适应LASSO(一种机器学习方法)集成到RDD估计中来实现的,该方法使用为此目的开发的R包adaptiveRDD。使用模拟,我表明,这种方法显着提高治疗效果的精度,特别是当估计处理效应少于200观察。
2020-05-05 econ.EM stat.AP
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
Causal Discovery and Forecasting in Nonstationary Environments with State-Space Models
Carnegie Mellon University(卡内基梅隆大学);University of Pittsburgh(匹兹堡大学)
在许多科学领域,如经济学和神经科学,我们经常面临非平稳时间序列,并关注寻找因果关系和预测感兴趣的变量的值,这两者在这种非平稳环境中特别具有挑战性。本文研究了非平稳时间序列的因果发现和预测问题。通过利用一种特殊类型的状态空间模型来表示的过程中,我们表明,非平稳性有助于确定因果结构和预测自然受益于学习的因果知识。具体来说,我们允许在因果强度和噪声方差的非线性状态空间模型,有趣的是,使因果结构和模型参数的变化。给定因果模型,我们将预测视为因果模型中贝叶斯推理的问题,该模型利用数据的时变特性并以原则性的方式适应新的观测结果。合成和真实世界的数据集上的实验结果表明,所提出的方法的有效性。
2019-07-31 cs.LG stat.ML
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
TU Graz(格拉茨技术大学);Levata GmbH(Levata公司)
本文提出通过将结构边际化分解为因果序和给定序下DAG的边际化,并设计自回归分布ARCO进行采样近似,实现高效的贝叶斯因果推断,在结构学习和因果效应估计上优于现有方法。
2025-04-23 cs.AI cs.LG stat.ME
HOLOGRAPH: Active Causal Discovery via Sheaf-Theoretic Alignment of Large Language Model Priors
Korea Advanced Institute of Science;\'Ecole Polytechnique F\'ed\'erale de Lausanne (EPFL), Lausanne, Switzerland
HOLOGRAPH通过sheaf理论对齐大型语言模型先验,实现主动因果发现,提供严谨的数学基础并实现竞争性性能。
2026-01-02 cs.AI cs.LG stat.ME
Causal Simulation Experiments: Lessons from Bias Amplification
最近的理论工作在因果推断探索了一类重要的变量,当条件下,可能会进一步放大现有的未测量的混杂偏差(偏差放大)。尽管这一理论工作,现有的模拟偏差放大在临床设置表明,偏差放大可能不是重要的,在许多实际情况下,在理论literature.We建议解决这种紧张局势,使用工具从半参数回归文献导致的一般表征方面的几何OLS估计,使我们能够扩展目前的结果,以更大的一类DAG,函数形式和分布假设。我们进一步使用这些结果来了解目前的模拟方法的局限性,并提出了一个新的框架进行因果模拟实验比较估计。然后,我们评估的挑战和好处,扩展这种模拟方法的背景下,一个真正的临床数据集与二进制处理,奠定了基础的原则性方法,敏感性分析的偏差放大存在不可测量的混杂。
2020-03-18 econ.EM math.ST stat.AP
Combining Interventional and Observational Data Using Causal Reductions
University of Amsterdam(阿姆斯特丹大学)
未观察到的混杂是估计因果效应时的主要挑战之一。我们提出了一种因果简化方法,在给定因果模型的情况下,将任意数量的可能高维潜在混杂因素替换为单个潜在混杂因素,该潜在混杂因素在与治疗变量相同的空间中取值,而不改变因果模型所需的观察和干预分布。这使我们能够从合并数据中以原则性的方式估计因果效应,而不依赖于常见但往往不切实际的假设,即所有混杂因素都已被观察到。我们在三种不同的情况下应用我们的因果还原。在第一种情况下,我们假设治疗和结果是离散的。因果关系的减少,然后意味着可以利用估计目的的观察和干预分布之间的界限。在观测样本高度不平衡的某些情况下,可以通过合并观测数据来提高因果效应估计的准确性。其次,对于连续变量,假设线性高斯模型,我们推导出观测分布和干预分布参数的等式约束。第三,对于一般的连续设置(可能是非线性和非高斯),我们参数化的减少因果模型使用规范化流,一个灵活的类容易可逆的非线性变换。我们对合成数据进行了一系列实验,发现在几种情况下,在不牺牲准确性的情况下,添加观察训练样本可以减少干预样本的数量。
2023-02-22 cs.AI cs.LG stat.ME
A Causal Lens for Controllable Text Generation
UC San Diego(加州大学圣迭戈分校);AWS AI, Amazon(亚马逊云科技人工智能)
可控文本生成涉及广泛应用的两个基本任务,即生成给定属性的文本(即,属性条件生成),以及最低限度地编辑现有文本以拥有期望的属性(即,文本属性转移)。大量的先前工作在很大程度上分别研究了这两个问题,并开发了不同的条件模型,然而,这些模型容易产生有偏见的文本(例如,各种性别陈规定型观念)。本文提出了制定可控的文本生成从原则的因果关系的角度来看,模型的两个任务与一个统一的框架。因果公式的一个直接优势是使用丰富的因果关系工具来减轻世代偏差并改善控制。我们把这两个任务的干预和反事实的因果推理的基础上的结构因果模型,分别。然后,我们将该框架应用到具有挑战性的实际环境中,其中混淆因素(引起虚假相关性)仅在一小部分数据上可观察到。实验表明,因果关系的方法比以前的条件模型,提高控制精度和减少偏见显着的优越性。
2022-01-22 cs.AI cs.CL cs.LG
Learning Latent Causal Dynamics
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)
时间序列建模的一个关键挑战是如何在未知的分布变化下学习和快速校正模型。在这项工作中,我们提出了一个原则性的框架,称为LiLY,首先恢复时间延迟的潜在因果变量,并确定它们的关系,从测量的时间数据下不同的分布变化。然后,校正步骤被公式化为利用来自新环境的几个样本学习低维变化因子,利用所识别的因果结构。具体而言,该框架分解未知的分布转变为过渡分布变化所造成的固定动态和随时间变化的潜在因果关系,并通过全球观测的变化。本文从非参数潜在因果动态的非线性混合出发,建立了非参数潜在因果动态在固定动态和变化动态下的可辨识性理论。通过实验,我们表明,时间延迟的潜在因果影响可靠地识别从不同的分布变化下的观测变量。通过利用这种变化的模块化表示,我们可以有效地学习在未知的分布变化下仅用少量样本来校正模型。
2022-02-23 cs.AI cs.LG stat.ML
Estimating the Local Air Pollution Impacts of Maritime Traffic: A Principled Approach for Observational Data
我们提出了一种新的方法来估计海上交通的因果影响时,自然或政策实验是不可用的。我们应用这种方法的情况下,马赛,一个大的地中海港口城市,邮轮排放的空气污染是一个日益关注。使用最近的匹配算法设计的时间序列数据,我们创建假设的随机实验,以估计短期增加邮轮交通造成的当地空气污染的变化。然后,我们依靠随机化推断来计算非参数的95%不确定性区间。我们发现,邮轮的到来有很大的影响,城市水平的二氧化氮,颗粒物和二氧化硫的小时浓度。然而,在日常水平上,公路交通的影响似乎比游轮交通大得多。我们的程序还有助于以透明的方式评估这类高频时间序列数据特有的识别挑战。
2022-08-05 stat.AP
Optimal Causal Inference: Estimating Stored Information and Approximating Causal Architecture
University of Hawaii at Manoa(马诺阿夏威夷大学);University of California at Davis(加州大学戴维斯分校);Santa Fe Institute(圣塔菲研究所)
我们介绍了一种方法来推断因果结构的随机动态系统,扩展率失真理论使用因果屏蔽-一个自然的学习原则。我们研究了两种不同的情况下的因果推理:最优因果过滤和最优因果估计。滤波对应于测量序列的概率分布是已知的理想情况,给出了在期望的表示水平上近似系统的因果结构的原则性方法。我们表明,在模型的复杂性约束放宽的限制,过滤发现确切的因果结构的随机动力系统,被称为因果状态分区。由此,可以估计进程存储的历史信息量。更一般地说,因果过滤找到一个分级的模型复杂度层次结构的近似因果架构。等级制度的突然变化,作为一种近似的函数,捕捉到了结构组织的不同尺度。对于有限数据的非理想情况下,我们展示了如何正确的数量的基本因果状态可以找到最佳因果估计。先前推导的模型复杂性控制项允许我们校正概率估计中的统计波动的影响,从而避免过拟合。
2010-08-19 cond-mat.stat-mech cs.IT cs.LG
Extracting the Multiscale Causal Backbone of Brain Dynamics
Sapienza University of Rome(罗马第一大学);Centai Institute(森泰研究所);Network Science Institute, Northeastern University London(东北大学伦敦分校网络科学研究所)
提出多尺度因果骨架(MCB)方法提取大脑动力学因果机制,优化模型拟合与复杂度权衡,揭示不同频段脑区驱动作用并证实大脑连接因果指纹存在。
2024-03-19 cs.LG q-bio.NC stat.AP
Step-by-Step Causality: Transparent Causal Discovery with Multi-Agent Tree-Query and Adversarial Confidence Estimation
Tsinghua Shenzhen International Graduate School, Tsinghua University, Shenzhen, China(清华大学深圳国际研究生院);Zhili College, Tsinghua University, Beijing, China(清华大学哲利学院)
本文提出Tree-Query框架,通过多专家LLM和对抗性置信度估计,实现透明、可解释的因果发现,提升数据自由环境下的因果推理能力。
2026-01-15 cs.AI 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
Estimating Treatment Effect Heterogeneity in Psychiatry: A Review and Tutorial with Causal Forests
本文提供基于R包grf中causal forest算法的异质性治疗效应估计教程,涵盖方法概述、算法逻辑、美军士兵压力复原力二次分析实例及模型评估方法,并附复现脚本。
2024-12-14 stat.AP
Instrumental and Proximal Causal Inference with Gaussian Processes
Department of Statistics and Actuarial Science, University of Hong Kong(香港大学统计与精算科学系);Rational Intelligence Lab, CISPA Helmholtz Center for Information Security(CISPA霍普夫信息安全中心理性智能实验室);Australian Institute for Machine Learning, Adelaide University(阿德莱德大学澳大利亚机器学习研究所);College of Computing & Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院)
提出去条件高斯过程框架,用于存在未观测混杂时的因果推断,同时提供可靠的后验不确定性量化,并通过边际似然优化实现模型选择。
2026-06-17 cs.LG stat.ML
Generalized Thompson Sampling for Sequential Decision-Making and Causal Inference
最近,它已被证明如何从预测分布的最佳行动,有时被称为汤普森采样的采样行动,可以应用于解决顺序自适应控制问题,当最佳策略是已知的每个可能的环境。然后,预测分布可以通过最优策略的贝叶斯叠加来构建,所述最优策略由其后验概率加权,所述后验概率通过贝叶斯推断和因果演算来更新。在这里,我们讨论这种方法的三个重要特征。首先,我们讨论在多大程度上可以被视为政策不确定性的贝叶斯建模的自然结果,这样的汤普森采样。其次,我们展示了如何汤普森采样可以用来研究多个自适应代理之间的相互作用,从而开辟了一条途径的博弈论分析。第三,我们展示了如何汤普森抽样可以应用于推断因果关系时,与环境中的顺序方式进行交互。总之,我们的研究结果表明,汤普森抽样可能不仅是一个有用的启发式,但一个原则性的方法来解决问题的自适应顺序决策和因果推理。
2013-03-18 cs.AI stat.ML
Kolmogorov-Arnold causal generative models
本文提出KaCGM,一种基于Kolmogorov-Arnold网络的因果生成模型,用于混合类型表格数据,通过分解结构方程实现因果机制的直接检验和可视化,提升生成模型的可解释性和可信度。
2026-03-20 cs.LG stat.ML
A Recursive Decomposition Framework for Causal Structure Learning in the Presence of Latent Variables
Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China(深圳先进技术研究院,中国科学院,中国深圳);College of Computer Science and Artificial Intelligence, Fudan University, Shanghai, China(复旦大学计算机科学与人工智能学院,中国上海)
本文提出DiCoLa框架,通过递归分解和系统重建,在存在潜在变量时提升因果发现效率,理论证明其正确性并实验证明有效性。
2026-05-11 cs.AI cs.LG stat.ML
Learning Causal States Under Partial Observability and Perturbation
CaDiff通过异步扩散模型和双模拟度量,在部分可观测性和扰动下提升强化学习的因果状态表示,实验显示其回报提升达14.18%。
2025-11-29 cs.LG stat.ML
SCMD: A Kernel-Based Distance for Structural Causal Models to Quantify Transferability Across Environments
Univ Grenoble Alpes, CNRS, Grenoble INP, LIG(格勒诺布尔阿尔卑斯大学,法国国家科学研究中心,格勒诺布尔理工学院,信息学实验室)
本文提出结构因果模型距离(SCMD),一种基于核的距离度量,结合分布比较与干预比较,量化跨环境因果结构差异,为评估因果可迁移性提供理论保证与实验验证。
2025-10-23 math.ST stat.TH
Causal Bias Detection in Generative Artificial Intelligence
Department of Statistics & Data Science(统计与数据科学系)
本文研究了生成人工智能中的因果公平性问题,提出了新的因果分解结果,以量化不同因果路径和现实机制被生成模型替代对公平性的影响,并通过分析大型语言模型中的种族和性别偏见验证了方法的有效性。
2026-05-18 cs.AI cs.LG stat.ML
Scalable Causal Discovery with Score Matching
Università di Genova(热那亚大学);Istituto Italiano di Tecnologia(意大利技术研究院);Carnegie Mellon University(卡内基梅隆大学);Amazon Web Services(亚马逊云科技)
本文提出 DAS 算法,通过可扩展的机器学习方法近似得分函数并利用对数似然二阶导数,在非线性加性高斯噪声模型中高效发现完整因果图,大幅降低修剪复杂度,在保持准确性的同时显著提升速度。
2023-04-06 cs.LG stat.ML
Causally Fair Generation with Large Language Models
ETH Zurich(苏黎世联邦理工学院);UCLA(加州大学洛杉矶分校)
本文提出CFG方法,利用因果推断从LLM生成中消除歧视性因果效应,同时保留合理路径,并在多个数据集上验证其有效性。
2026-10-06 cs.AI cs.LG stat.ML
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
Representation Learning for Semiparametric Causal Mediation Analysis under No Essential Heterogeneity
Methods Center University of Tübingen(图宾根大学方法中心)
该研究针对半参数因果中介分析提出UNIT方法,通过两阶段估计,第一阶段用TARNet学习共享协变量表示估计异质效应,为权重函数提供插件近似以识别结构参数,模拟显示其能有效降低标准误差,提升估计精度。
2026-07-14 cs.LG stat.ML
Causality as the Statistical Conscience of Artificial Intelligence: From Pearl's Ladder to Trustworthy Machines
School of Mathematics and Statistics, College of Science(数学与统计学学院,科学学院)
本文论证因果推断是AI不可或缺的统计良知,通过统计必要性定理、统一因果统计估计框架以及三种AI失败模式的因果盲区分析,提出可信AI本质上是因果统计问题。
2026-05-22 cs.LG stat.ML
Cheap subsampling bootstrap confidence intervals with applications to longitudinal causal inference
University of Copenhagen(哥本哈根大学);Steno Diabetes Center Copenhagen(哥本哈根斯泰诺糖尿病中心)
提出一种基于Cheap Bootstrap的快速子抽样自助法,利用t分布分位数在少量重复下实现渐近线性估计量的理想覆盖率,并验证了其在半参数因果推断中的有效性与性能。
2026-10-02 stat.AP stat.ME
Uncertainty Quantification in Synthetic Controls with Staggered Treatment Adoption
本文提出了一种针对交错处理采用设置下合成控制预测的置信度量化方法,通过提供非渐近覆盖概率保证、支持非线性约束、引入稳健锥优化及数据驱动调参,实现了跨处理后时期的有效一致推断。
2025-02-01 econ.EM stat.AP stat.CO
Causal Inference using Gaussian Processes with Structured Latent Confounders
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校);Massachusetts Institute of Technology(麻省理工学院)
潜在混杂因素-影响治疗和结果的未观察到的变量-可以使因果效应的估计产生偏差。在某些情况下,这些混杂因素在观察中是共享的,例如,除了他们单独接受的任何教育干预外,所有参加课程的学生都受到课程难度的影响。本文介绍了如何半参数模型的潜在混杂因素,具有这种结构,从而提高因果效应的估计。关键的创新是一个分层贝叶斯模型,高斯过程与结构化的潜在混杂因素(GP-SLC),和一个蒙特卡罗推理算法,该模型的基础上,椭圆切片采样。GP-SLC提供了个体处理效应的原则性贝叶斯不确定性估计,对与混杂因素、协变量、治疗和结局相关的函数形式进行了最小假设。最后,本文表明,GP-SLC是竞争力或更准确的比广泛使用的因果推断技术的三个基准数据集,包括婴儿健康与发展计划和数据集显示的影响,不断变化的温度对全州的能源消耗在新英格兰。
2020-07-14 cs.LG stat.ME stat.ML
Bayesian data fusion for unmeasured confounding
贝叶斯因果推断提供了一个原则性的方法,建议的干预措施的政策评估介质或随时间变化的曝光。我们概述了一个一般的方法来估计因果量的设置随时间变化的混杂,如保险引起的中介结果混杂。我们进一步扩展这种方法,提出两个贝叶斯数据融合(BDF)方法的不可测的混杂。使用与混杂偏倚参数相关的量的信息先验,我们的方法结合了来自外部来源的数据,其中测量混杂因素,以便在主要研究人群中推断因果被估量。我们目前的结果,从模拟研究比较我们的数据融合方法,两种常见的频率校正方法的未测量的混杂偏差的调解设置。我们还证明了我们的方法与癌症诊断阶段的作用,在促进黑白结直肠癌生存差异的调查。
2019-02-27 stat.AP stat.ME
Revisiting the Berkeley Admissions data: Statistical Tests for Causal Hypotheses
Korteweg-de Vries Institute for Mathematics, University of Amsterdam(阿姆斯特丹大学科特韦格-德弗里斯数学研究所);Booking.com, Amsterdam, The Netherlands(荷兰阿姆斯特丹缤客公司)
针对伯克利招生数据中的辛普森悖论,从因果视角重新分析,提出基于Pearl工具变量不等式的因果假设统计检验,开发观测数据驱动的检验方法,揭示公平性因果概念间逻辑关系,为因果假设检验与公平性理解提供原则性方法。
2025-07-17 cs.CY math.ST stat.ME