Diffusion Causal Models for Counterfactual Estimation
The University of Edinburgh（爱丁堡大学）
我们认为任务的反事实估计从观测成像数据给定一个已知的因果结构。特别是，用神经网络量化高维数据干预的因果效应仍然是一个开放的挑战。在这里，我们提出了Diff-SCM，这是一个基于生成能量模型最新进展的深层结构因果模型。在我们的设置中，推理是通过对因果模型所涉及的边缘和条件分布的梯度进行迭代采样来执行的。反事实的估计是通过首先推断潜变量与确定性的前向扩散，然后使用反因果预测w.r.t的输入的梯度上的反向扩散过程进行干预。此外，我们提出了一个度量生成的反事实。我们发现Diff-SCM比MNIST数据的基线产生更真实和最小的反事实，也可以应用于ImageNet数据。代码可从https://github.com/vios-s/Diff-SCM获得。
2022-02-21 cs.CV cs.LG
Evaluating and Mitigating Bias in Image Classifiers: A Causal Perspective Using Counterfactuals
Microsoft Research（微软研究院）；Indian Institute of Technology Hyderabad（印度理工学院海得拉巴分校）
输入的反事实示例-改变特定特征但不改变其他特征的扰动-已被证明可用于评估机器学习模型的偏差，例如，针对特定人口群体。然而，由于图像的各种特征的潜在因果结构，为图像生成反事实示例是不平凡的。为了有意义，生成的扰动需要满足因果模型隐含的约束。我们提出了一种方法，通过将结构因果模型（SCM）的逆向学习推理（ALI），生成反事实，根据图像的属性之间的因果关系的改进的变体生成反事实。基于生成的反事实，我们展示了如何解释预训练的机器学习分类器，评估其偏差，并使用反事实正则化器减轻偏差。在Morpho-MNIST数据集上，我们的方法生成的反事实在质量上与之前基于SCM的反事实（DeepSCM）的工作相当，而在更复杂的CelebA数据集上，我们的方法在生成高质量的有效反事实方面优于DeepSCM。此外，生成的反事实与人类评估实验中的重建图像无法区分，我们随后使用它们来评估在CelebA数据上训练的标准分类器的公平性。我们表明，分类器是有偏见的w.r.t.皮肤和头发的颜色，以及反事实正则化如何消除这些偏见。
2022-01-06 cs.CV cs.LG
Achieving Counterfactual Fairness with Imperfect Structural Causal Model
University of Technology Sydney（悉尼科技大学）；Curtin University（科廷大学）
反事实公平性是指模型对现实世界（观察数据）中的个体的预测与反事实世界（即，如果该人属于其他敏感群体，该怎么办？现有的研究需要预先定义结构因果模型，以捕捉变量之间的相关性进行反事实推理;然而，潜在的因果模型通常是未知的，并且难以在现实世界中验证。此外，因果模型的错误设定可能会导致模型预测性能低下，从而做出不公平的决策。在这项研究中，我们提出了一种新的极小极大博弈理论模型的反事实的公平性，可以产生准确的结果，同时实现一个反事实的公平决策与结构因果模型的强假设放松。此外，我们还从理论上证明了所提出的minimax模型的误差界。在多个真实世界数据集上的实证实验表明，我们在准确性和公平性方面都有出色的表现。源代码可从\url{https://github.com/tridungduong16/counterfactual_fairness_game_theoretic}获得。
2023-03-26 cs.AI cs.CY cs.LG
Robust Counterfactual Policy Optimisation via Nondeterministic Causal Models
Durham University（杜伦大学）；University College London（伦敦大学学院）
该研究针对序列决策反事实推理的确定性因果模型假设与MDP随机性的矛盾，提出概率非确定性因果模型下的鲁棒反事实策略优化方法，经脓毒症治疗模拟器验证有效。
2026-08-05 cs.AI cs.LG
Counterfactual Forecasting of Human Behavior using Generative AI and Causal Graphs
本研究提出结合结构因果模型与Transformer生成式AI的用户行为反事实预测框架，通过因果图和条件生成模型生成真实轨迹，在多领域数据集上优于传统方法，且可可视化因果路径辅助产品团队评估干预措施。
2025-11-09 cs.CE cs.LG stat.ME
Integrating Markov processes with structural causal modeling enables counterfactual inference in complex systems
Gamalon Inc.（Gamalon公司）；Northeastern University（东北大学）
这篇文章提供了一个一般的和实用的框架，铸造一个马尔可夫过程模型的系统在平衡作为一个结构的因果模型，并进行反事实推理。马尔可夫过程在数学上描述了系统中的机制，并预测系统在干预时的平衡行为，但不支持反事实推理。相反，结构因果模型支持反事实推理，但不确定的机制。本手稿利用了这两种方法的优点。我们定义的结构因果模型的参数和平衡动态的马尔可夫过程模型，并从这些设置反事实推理流。所提出的方法消除了结构因果模型的可识别性缺陷，因为反事实推理与从马尔可夫过程模型模拟的反事实轨迹是一致的。我们展示了这个框架的好处，在复杂的生物分子系统的非线性动力学的案例研究。我们说明了，在存在马尔可夫过程模型误指定，反事实推理利用先验数据，因此估计干预的结果比直接模拟更准确。
2019-11-06 cs.LG q-bio.MN stat.AP
Counterfactual Fairness with Disentangled Causal Effect Variational Autoencoder
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
如果我们能开发出一种方法来去除分类特征中隐藏的敏感信息，那么公平分类的问题就可以得到缓解。这条分离敏感信息的线是通过因果推理发展起来的，因果推理使反事实世代能够对比相反敏感属性的假设情况。随着这种与因果关系的分离，深层潜在因果模型中的一个频繁假设定义了一个单一的潜在变量来吸收因果图的整个外生不确定性。然而，我们声称这种结构不能区分1）由干预引起的信息（即，敏感变量）和2）来自数据的与干预相关的信息。因此，本文提出了解纠缠因果效应变分自编码器（DCEVAE）来解决这一局限性，它将外生不确定性分解为两个潜在变量：1）与干预措施无关; 2）与干预措施相关而无因果关系。特别是，我们的解开方法保留了潜在的变量相关的干预措施，在生成反事实的例子。我们表明，我们的方法估计的总效果和反事实的效果没有一个完整的因果图。通过添加公平正则化，DCEVAE生成反事实公平数据集，同时丢失较少的原始信息。此外，DCEVAE仅通过翻转敏感信息来生成自然的反事实图像。此外，我们从理论上展示了DCEVAE的协方差结构的差异和以前的工作的潜在的解纠缠的角度来看。
2020-12-09 cs.AI cs.LG
Deep Backtracking Counterfactuals for Causally Compliant Explanations
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）
本文提出DeepBC方法，通过Langevin Monte Carlo采样或约束优化在深度生成结构因果模型中计算回溯反事实，实现因果合规、通用且模块化的高维数据解释。
2024-08-10 cs.AI cs.LG stat.ML
Learning Counterfactually Fair Models via Improved Generation with Neural Causal Models
针对现有反事实公平方法的样本生成与正则项局限，提出用带核最小二乘损失的神经因果模型改进反事实生成，并结合MMD正则项显式约束公平性，实现了公平性与泛化性的更优权衡。
2025-09-05 cs.LG
Counterfactual Generative Modeling with Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Genentech（基因泰克公司）
针对高维结果下个体反事实预测难题，提出变分贝叶斯因果推断框架，无需反事实样本即可端到端监督并解耦外生噪声，在多个基准上优于现有方法。
2025-03-18 cs.AI cs.LG math.ST
Deep Structural Causal Models for Tractable Counterfactual Inference
Imperial College London（伦敦帝国理工学院）
我们制定了一个通用框架，用于构建具有深度学习组件的结构因果模型（SCM）。所提出的方法采用规范化流和变分推断来实现对外源噪声变量的易处理的推理-这是现有深度因果学习方法中缺少的反事实推理的关键步骤。我们的框架在MNIST上构建的合成数据集以及真实世界的大脑MRI扫描医学数据集上进行了验证。我们的实验结果表明，我们可以成功地训练深SCM，能够所有三个层次的珍珠的阶梯的因果关系：关联，干预和反事实，从而产生一个强大的新方法来回答因果问题的成像应用和超越。我们所有实验的代码都可以在https://github.com/biomedia-mira/deepscm上找到。
2020-10-22 cs.LG stat.ML
Counterfactual Explanations of Black-box Machine Learning Models using Causal Discovery with Applications to Credit Rating
Graduate School of Data Science, Shiga University（滋贺大学数据科学研究院）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本文提出一种新颖的XAI框架，利用因果发现方法估计因果图并结合反事实概率与黑盒分类模型，解决了因果图未知时的解释难题，并在人工数据与Shiga Bank信用评级应用中验证了其有效性。
2024-04-27 cs.LG
Causal Diffusion Autoencoders: Toward Counterfactual Generation via Diffusion Probabilistic Models
University of Arkansas（阿肯色大学）；Baylor University（贝勒大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
提出CausalDiffAE框架，结合扩散概率模型与因果表示学习，通过编码器提取因果变量并利用反向扩散建模随机变化，实现了基于do-interventions的高质量反事实图像生成。
2024-08-23 cs.AI cs.LG stat.ME
Modeling Causal Mechanisms with Diffusion Models for Interventional and Counterfactual Queries
University of Pennsylvania（宾夕法尼亚大学）；Amazon（亚马逊公司）
针对仅含观测数据与因果图的因果充分场景下的多类因果查询问题，提出基于扩散的因果模型学习因果机制，通过潜在编码实现干预采样与反事实溯因，性能优于现有方法并提供通用理论分析框架。
2024-10-09 cs.LG stat.ME stat.ML
CausaLM: Causal Model Explanation Through Counterfactual Language Models
Technion（以色列理工学院）
众所周知，理解深度神经网络做出的预测是非常困难的，但对它们的传播也至关重要。与所有基于机器学习的方法一样，它们与它们的训练数据一样好，并且还可以捕获不必要的偏差。虽然有一些工具可以帮助理解这种偏见是否存在，但它们不能区分相关性和因果关系，并且可能不适合基于文本的模型和关于高级语言概念的推理。一个关键的问题，估计的因果关系的一个给定的模型上的概念的兴趣是，这种估计需要生成反事实的例子，这是具有挑战性的与现有的生成技术。为了弥合这一差距，我们提出了CausaLM，一个框架，用于使用反事实语言表示模型产生因果模型解释。我们的方法是基于对深度情境化嵌入模型的微调，其中辅助对抗任务来自问题的因果图。具体地说，我们表明，通过仔细选择辅助对抗性预训练任务，语言表示模型，如BERT，可以有效地学习一个反事实表示为一个给定的概念的兴趣，并用于估计其真正的因果关系对模型性能的影响。我们方法的副产品是一个不受测试概念影响的语言表示模型，这对于减轻数据中根深蒂固的不必要的偏见很有用。
2022-11-12 cs.AI cs.CL cs.LG
Towards Characterizing Domain Counterfactuals For Invertible Latent Causal Models
Elmore Family School of Electrical and Computer Engineering（埃尔莫尔家族电气与计算机工程学院）；Purdue University（普渡大学）
该研究针对潜在因果变量不可观测场景下的反事实估计难题，聚焦域反事实查询，通过假设干预可逆性与稀疏性推导误差界，提出带约束的生成式估计算法，在模拟与图像实验中优于基线方法。
2024-04-13 cs.LG stat.ME
Teleporter Theory: A General and Simple Approach for Modeling Cross-World Counterfactual Causality
Institute of Software Chinese Academy of Sciences（中国科学院软件研究所）
针对双网络在跨世界反事实因果建模中的泛化不足，该研究提出通用简洁的传送子理论，可直接推导跨世界变量条件独立性，还构建了即插即用模块并经基准实验验证有效。
2024-06-18 cs.AI cs.LG stat.ME
De-Biasing Generative Models using Counterfactual Methods
University of California, Los Angeles（加州大学洛杉矶分校）
变分自编码器（VAE）和其他生成方法不仅因为其生成特性而且因为其解开低维潜在变量空间的能力而引起了越来越多的兴趣。然而，现有的生成模型很少考虑因果关系。我们提出了一种新的基于解码器的框架，称为因果反事实生成模型（CCGM），它包括一个部分可训练的因果层，其中可以学习因果模型的一部分，而不会显着影响重建保真度。通过学习图像语义标签或表格变量之间的因果关系，我们可以分析偏差，干预生成模型，并模拟新的场景。此外，通过修改因果结构，我们可以在原始训练数据的域之外生成样本，并使用这种反事实模型来消除数据集的偏差。因此，具有已知偏差的数据集仍然可以用于训练因果生成模型并学习因果关系，但我们可以在生成侧生成去偏差数据集。我们提出的方法结合了因果潜在空间VAE模型与特定的修改，以强调因果保真度，使更精细的控制因果层和学习一个强大的干预框架的能力。我们探讨如何更好地解开因果学习和编码/解码产生更高的因果干预质量。我们还将我们的模型与类似的研究进行了比较，以证明在干预之外需要明确的生成去偏置。我们的初步实验表明，我们的模型可以生成对因果框架高保真的图像和表格数据，并适应显式去偏置，以忽略与基线相比因果数据中不期望的关系。
2023-02-11 cs.LG
Scalable Counterfactual Distribution Estimation in Multivariate Causal Models
Shiga University（滋贺大学）；RIKEN（理化学研究所）；The Institute of Statistical Mathematics（统计数理研究所）
针对扩展双重差分多元因果模型中的反事实联合分布估计，本文提出利用稳健潜在一维子空间兼顾维度相关性与单变量估计效率，并在合成及真实数据上验证其优势。
2023-11-02 cs.AI cs.LG stat.ME
Counterfactual Image Editing
Columbia University（哥伦比亚大学）
本文形式化反事实图像编辑任务，证明其不可识别性，提出反事实一致性估计器松弛方案，并开发基于神经因果模型的高效生成算法。
2024-02-07 cs.CV cs.LG
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
Causal Invariance and Counterfactual Learning Driven Cooperative Game for Multi-Label Classification
Sun Yat-sen University（中山大学）
本文提出因果协作博弈框架，通过因果发现与反事实好奇心奖励提升多标签分类的鲁棒性和稀有标签预测能力。
2025-11-30 cs.AI cs.LG
Counterfactual Learning with Multioutput Deep Kernels
University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
在本文中，我们解决了通过贝叶斯非参数回归调整对观测数据进行反事实推理的挑战，重点关注具有多个动作和多个相关结果的高维设置。我们提出了一种一般的反事实多任务深度内核模型，由于其样本效率增益，可以熟练地估计因果效应和学习策略，同时可以很好地扩展高维。在第一部分的工作中，我们依靠结构因果模型（SCM）正式介绍的设置和问题，确定反事实的数量下观察到的混淆。然后，我们讨论了通过堆叠coregionalized高斯过程和深度核来处理因果效应估计任务的好处。最后，我们展示了使用所提出的方法的模拟实验，跨越个人的因果效应估计，关闭政策的评估和优化。
2022-11-20 cs.LG stat.ML
Counterfactual Off-Policy Evaluation with Gumbel-Max Structural Causal Models
Massachusetts Institute of Technology（麻省理工学院）；CSAIL（计算机科学与人工智能实验室）
我们引入了一个关闭政策的评估程序，突出情节，应用强化学习（RL）的政策可能会产生一个大大不同的结果比观察到的政策。特别是，我们引入了一类结构因果模型（SCM），用于在有限部分可观察马尔可夫决策过程（POMDPs）中生成反事实轨迹。我们认为这是在高风险环境中进行非策略“调试”的有用程序（例如，保健）;通过将强化学习策略和观察到的策略之间的预期奖励差异分解为特定的情节，我们可以识别奖励中的反事实差异最显著的情节。这反过来又可以用于促进领域专家对特定事件的审查。我们证明了这种程序的实用性与败血症管理的合成环境。
2019-06-06 cs.LG stat.ML
Advancing Counterfactual Inference through Nonlinear Quantile Regression
Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；The University of Sydney（悉尼大学）
本文将反事实推断重构为扩展的非线性分位数回归问题，提出神经网络与双层优化框架，仅依赖观测数据和定性因果结构即可推断反事实结果，并给出泛化误差上界及优于现有方法的实证结果。
2024-02-28 cs.LG stat.ME
LLM Explainability with Counterfactual Chains and Causal Graphs
Faculty of Data and Decision Sciences, Technion I IBM Research（数据与决策科学学院，技术离子IBM研究所）
提出一种四阶段方法，利用因果图建模LLM推理过程，通过MCMC启发的反事实增强发现类判别性概念并生成可解释图，用于疾病诊断、情感分析等任务。
2026-06-04 cs.LG
CLEAR: Generative Counterfactual Explanations on Graphs
University of Virginia（弗吉尼亚大学）；Bytedance AI Lab（字节跳动人工智能实验室）；J.P. Morgan AI Research（摩根大通人工智能研究院）
反事实解释通过回答“应该如何扰动输入实例以获得期望的预测标签”的问题来提高机器学习模型的可解释性。".对扰动前后的这种情况进行比较可以增强人类的解释。现有的反事实解释研究大多局限于表格数据或图像数据。在这项工作中，我们研究了图上的反事实解释生成问题。一些研究已经探索了图上的反事实解释，但这个问题的许多挑战仍然没有得到很好的解决：1）在离散和无序的图空间中进行优化; 2）在看不见的图上进行推广; 3）在没有因果模型的先验知识的情况下保持生成的反事实中的因果关系。为了应对这些挑战，我们提出了一个新的框架CLEAR，旨在为图级预测模型生成图上的反事实解释。具体而言，CLEAR利用基于图变分自编码器的机制来促进其优化和泛化，并通过利用辅助变量来更好地识别底层因果模型来促进因果关系。在合成图和真实世界图上的大量实验验证了CLEAR在不同方面优于现有方法。
2022-11-07 cs.LG
Causal Discovery and Counterfactual Explanations for Personalized Student Learning
University of the Witwatersrand（威特沃特斯兰德大学）
本文将 PC 因果发现与反事实分析用于真实学生成绩数据，识别影响最终成绩的因果因素并生成个性化学习建议，同时讨论样本量、领域知识及实时验证等局限。
2023-09-18 cs.CY cs.LG stat.ME
Learning Generalized Gumbel-max Causal Mechanisms
Technion（以色列理工学院）；Google Research（谷歌研究院）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
为了在结构因果模型（SCM）中执行反事实推理，人们需要知道因果机制，它提供了将条件分布分解为噪声源和将噪声实现映射到样本的确定性函数。不幸的是，因果机制并不是通过观察和与世界互动收集的数据唯一确定的，因此仍然存在如何选择因果机制的问题。在最近的工作中，Oberst & Sontag（2019）提出了Gumbel-max SCM，由于直观上吸引人的反事实稳定性，它使用Gumbel-max重新参数化作为因果机制。在这项工作中，我们反而主张选择一个因果机制，这是最好的定量标准，如最小化方差时，估计反事实的治疗效果。我们提出了一个参数化的因果机制，推广Gumbel-max。我们表明，他们可以训练，以尽量减少反事实效应方差和其他损失的分布查询的兴趣，产生较低的方差估计的反事实处理效果比固定的替代品，也推广到查询没有看到在训练时。
2021-11-11 cs.LG stat.CO stat.ML
Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
Yale University（耶鲁大学）；University of California, Berkeley（加州大学伯克利分校）
提出CausalLongPFN，一种基于先验拟合的上下文预测器，通过合成因果模型预训练实现无需梯度更新的纵向反事实结果预测，在多个基准上达到与领域训练模型竞争的性能。
2026-06-07 cs.LG stat.ML
Causal Effect Estimation using Variational Information Bottleneck
Beijing Institute of Technology（北京理工大学）；University of Aberdeen（阿伯丁大学）
因果推理是在因果关系中估计干预措施的因果效应。确切地说，在一个二元干预的因果模型中，即，控制和治疗，因果效应只是事实和反事实之间的差异。困难在于，可能永远得不到必须估计的反事实，因此因果效应只能是一种估计。估计反事实的关键挑战是识别影响结果和治疗的混杂因素。一种典型的方法是将因果推理公式化为监督学习问题，从而可以预测反事实。包括线性回归和深度学习模型在内，最近的机器学习方法已经适用于因果推理。本文提出了一种基于变分信息瓶颈（CEVIB）的因果效应估计方法。有希望的一点是，VIB能够自然地从数据中提取混杂变量，这使得能够通过使用观察数据来估计因果效应。我们将CEVIB与其他方法进行了比较，将它们应用于三个数据集，表明我们的方法取得了最佳性能。我们还通过实验证明了我们方法的鲁棒性。
2022-07-16 cs.LG
FairPFN: Transformers Can do Counterfactual Fairness
University of Freiburg（弗莱堡大学）；Zuse School ELIZA（楚塞ELIZA学院）；Charité（夏里特医学院）；ELLIS Institute Tübingen（蒂宾根ELLIS研究院）
本文提出 FairPFN，一种基于 ICL 与 PFN、用合成公平数据预训练的 Transformer，可无需真实因果模型而从观测数据中消除受保护属性的因果影响。
2024-07-08 cs.AI cs.CY cs.LG
Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models
University of Waterloo（滑铁卢大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
针对GP-SCM中离散结果的反事实推断，提出统一概率框架，推导精确噪声推断程序，并证明耦合误设会显著增加反事实误差。
2026-10-07 cs.LG
When Counterfactual Reasoning Fails: Chaos and Real-World Complexity
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Mohammed VI Polytechnic University, UM6P（穆罕默德六世理工大学（UM6P））
本文在结构因果模型框架下实证研究反事实序列估计的局限性，发现模型不确定性低或存在混沌动力学等现实假设会导致预测轨迹与真实轨迹严重偏离，警示在混沌与不确定情境中应用反事实推理需谨慎。
2025-04-10 cs.AI cs.LG
Preserving Causal Constraints in Counterfactual Explanations for Machine Learning Classifiers
Microsoft Research（微软研究院）；University of Colorado Boulder（科罗拉多大学博尔德分校）
为了构建与原始ML模型一致的可解释解释的解释，已经提出了反事实的例子-显示模型的输出如何随着输入的小扰动而变化。本文通过解决这些例子的可行性的挑战，扩展了反事实解释的工作。对于医疗保健和金融等关键领域的ML模型的解释，反事实示例仅在现实世界中特征输入的扰动可行的情况下对最终用户有用。我们制定的可行性问题，保持输入功能之间的因果关系，并提出了一种方法，使用（部分）结构因果模型，以产生可操作的反事实。当可行性约束不能很容易地表示，我们考虑一种替代机制，人们可以标记生成的CF的例子上的可行性：它是否是可行的干预和实现候选CF的例子从原始输入。为了从这个标记的可行性数据中学习，我们提出了一个修改的变分自动编码器损失，用于生成CF示例，当人们与其输出交互时，该示例优化了可行性。我们在贝叶斯网络和广泛使用的“成人收入”数据集上的实验表明，我们提出的方法可以生成比现有方法更好地满足可行性约束的反事实解释。代码存储库可在此处访问：\textit{https://github.com/divyat09/cf-feasibility}
2020-06-12 cs.AI cs.LG stat.ML
Cohomological Obstructions to Global Counterfactuals: A Sheaf-Theoretic Foundation for Generative Causal Models
School of Management, University of Science and Technology of China（管理学院，中国科学技术大学）；School of Computer Science and Engineering, University of Science and Technology of China（计算机科学与工程学院，中国科学技术大学）
本文基于层论构建生成因果模型，揭示因果图非平凡同调导致的上同调障碍，并提出熵正则化和熵沃尔什因果层拉普拉斯方程，实现高维数据反事实导航。
2026-03-18 cs.LG
Counterfactual Reasoning for Fine-Grained Evidence Disentanglement in VideoQA
School of OptoElectonic Science and Engineering, University of Electronic Science and Technology of China（电子科技大学光电科学与工程学院）
提出反事实推理框架CREDiT，通过结构因果模型将视频问答中的跨模态表示分解为因果和非因果成分，在独立性约束下进行特征级因果干预，提升答案准确性和推理可靠性。
2026-06-08 cs.CV cs.LG
Causality-aware counterfactual confounding adjustment for feature representations learned by deep models
Sage Bionetworks（Sage生物网络）
因果建模被认为是解决机器学习（ML）中许多挑战性问题的潜在解决方案。在这里，我们描述了最近提出的一种反事实方法，该方法用于消除线性结构因果模型，但仍然可以用于消除深度神经网络（DNN）模型学习的特征表示。关键的见解是，通过在分类层使用softmax激活训练一个准确的DNN，然后采用输出层之前的最后一层学习的表示作为我们的特征，通过构造，学习的特征将很好地拟合（多类）逻辑回归模型，并且将与标签线性关联。因此，基于简单线性模型的去创方法可以用于去创DNN学习的特征表示。我们使用MNIST数据集的彩色版本来验证所提出的方法。我们的研究结果说明了该方法如何有效地对抗混杂，并在选择偏差产生的数据集变化的背景下提高模型稳定性。
2020-11-20 cs.LG stat.ML
Diffusion Counterfactual Generation with Semantic Abduction
Department of Computing, Imperial College London, UK（计算系，伦敦帝国学院，英国）
本文面向反事实图像编辑中的身份保留与因果忠实性难题，提出融合语义表示与 Pearl 因果性的扩散框架，并通过空间、语义和动态溯因实现可控权衡。
2025-06-09 cs.AI cs.CV cs.LG
VACA: Design of Variational Graph Autoencoders for Interventional and Counterfactual Queries
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Saarland University（萨尔大学）
在本文中，我们介绍了VACA，一类新的变分图自编码器的因果推断在没有隐藏的混杂因素，只有观测数据和因果图。在不做任何参数假设的情况下，VACA模拟了结构因果模型（SCM）的必要属性，为近似干预（do-operator）和外展-动作-预测步骤提供了一个灵活实用的框架。因此，正如我们的实证结果所示，VACA准确地近似了不同SCM上的干预和反事实分布。最后，我们应用VACA来评估公平分类问题中的反事实公平性，以及在不影响性能的情况下学习公平分类器。
2021-10-27 cs.LG stat.ML
Leveraging Foundation Models for Causal Generative Modeling
University of Arkansas（亚拉巴马大学）
提出FM-CGM框架，通过预训练基础模型实现零样本因果发现、干预和反事实生成，并引入因果语义引导机制确保忠实反事实图像生成。
2026-05-22 cs.AI cs.CV cs.LG
Unsupervised Structural-Counterfactual Generation under Domain Shift
本文提出一种无监督结构-反事实生成框架，通过区分效应固有与域固有外生变量并构建统一联合因果图，结合神经因果模型实现跨域反事实生成，实验验证其接近真实值。
2025-09-22 cs.LG stat.ML
Actionable CBFI: Prescriptive Interventional Diagnosis and Interaction-Aware Escalation for Sparse Causal Algorithmic Recourse
Dankook University（檀国大学）
该研究提出A-CBFI框架，结合结构分解与因果反事实追索，在金融、医疗领域可降低76.9%主动干预负担，保持因果有效性与追索成本，实现针对性可操作的反事实追索。
2026-10-28 cs.AI cs.LG
Explaining Visual Models by Causal Attribution
Universitat de Barcelona（巴塞罗那大学）
基于纯观测数据的模型解释无法可靠地计算特征的影响，因为它们无法估计每个因素的变化如何影响其他因素。我们认为，解释应该基于数据的因果模型和衍生的干预因果模型，代表受干预的数据分布。有了这些模型，我们可以计算反事实，新的样本将告诉我们模型如何对我们输入的特征变化做出反应。我们提出了一种新的解释方法的基础上因果反事实，并确定当前的图像生成模型的局限性，在其应用程序中的反事实创作。
2019-09-19 cs.LG cs.NE stat.ML
Towards Causal Market Simulators
National University of Singapore（新加坡国立大学）；Veracruz Mexico（墨西哥韦拉克鲁斯）
提出一种结合变分自编码器与结构因果模型的时间序列神经因果模型VAE（TNCM-VAE），用于生成保留时间依赖和因果关系的反事实金融时间序列，在合成数据上实现低至0.03-0.10的L1距离。
2026-01-21 cs.LG physics.data-an q-fin.CP
On the Complexity of Counterfactual Reasoning
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
研究了结构因果模型上反事实推理的计算复杂性，证明在树宽和因果树宽框架下反事实推理不比关联或干预推理更难，并扩展至多世界及部分指定模型。
2023-05-19 cs.AI cs.CC cs.LG
Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity
Kuaishou Inc.（快手公司）
本文提出DiscoSCM框架，通过引入单位选择变量和独立反事实噪声假设，解决PO和SCM在第三层反事实推断中的退化问题，实现异质性反事实界理论，推动因果推断方法论发展。
2024-02-08 cs.AI cs.LG stat.ME
Causal Prosody Mediation for Text-to-Speech:Counterfactual Training of Duration, Pitch, and Energy in FastSpeech2
本文提出一种因果语调中介框架，通过反事实训练分离情绪与语言内容，提升文本到语音的表达性和可控性。
2026-03-12 cs.AI cs.LG cs.SD
Causal Diffusion Models for Counterfactual Outcome Distributions in Longitudinal Data
Department of Economics, Northeastern University（东北大学经济学系）；Center for Health Policy and Healthcare Research, Northeastern University（东北大学健康政策与医疗研究中心）；Department of Public Health and Health Sciences, Bouvé College of Health Sciences, Northeastern University（东北大学布维健康科学学院公共卫生与健康科学系）
本文提出因果扩散模型，用于生成在连续干预下的反事实结果分布，通过新颖的残差去噪架构和关系自注意力机制，提升了复杂时间依赖性和多模态结果轨迹的捕捉能力，同时在高混杂环境下实现了更高的分布准确性。
2026-04-14 cs.LG econ.EM stat.ML
Causal Regime Detection in Energy Markets With Augmented Time Series Structural Causal Models
本文提出ATSCM模型，通过学习时间变化的因果图，实现对能源市场中因果模式的检测与反事实推理。
2026-01-21 cs.LG q-fin.CP stat.ME
Better Think Thrice: Learning to Reason Causally with Double Counterfactual Consistency
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research Cambridge（微软研究院剑桥分部）；Microsoft Research India（微软研究院印度分部）
本文提出双重反事实一致性方法，用于评估和提升大型语言模型的因果推理能力，无需标注数据，通过因果干预和反事实预测验证模型能力，并在多种任务中提升性能。
2026-02-18 cs.CL cs.LG
Causal Generative Explainers using Counterfactual Inference: A Case Study on the Morpho-MNIST Dataset
Dalhousie University（达尔豪斯大学）
本文利用因果生成学习与反事实推断，提出针对图像分类器的可解释方法，包括像素级影响分析、基于蒙特卡洛的属性重要性估计及反事实解释优化，并在 Morpho-MNIST 上验证其可解释性优于 OmnixAI。
2024-01-21 cs.LG
Counterfactual Fairness with Partially Known Causal Graph
The University of Melbourne（墨尔本大学）；The University of Sydney（悉尼大学）；Hong Kong Baptist University（香港浸会大学）；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）
公平的机器学习旨在避免基于\textit{sensitive attributes}（如性别和种族）对个人或子群体进行不利的处理。公平机器学习中那些建立在因果推理基础上的方法通过因果效应来确定歧视和偏见。虽然基于因果图的公平学习越来越受到关注，但目前的方法假设真正的因果图是完全已知的。本文提出了一种通用的方法来实现反事实公平的概念时，真正的因果图是未知的。为了能够选择功能，导致反事实的公平性，我们推导出的条件和算法，以确定祖先的变量之间的关系在\textit{Partially Directed Acyclic Graph (PDAG)}，特别是一类因果DAG，可以从观察数据结合领域知识。有趣的是，我们发现，反事实的公平性可以实现，如果真正的因果图是完全已知的，当提供特定的背景知识：敏感属性没有祖先的因果图。模拟和真实世界的数据集上的结果证明了我们的方法的有效性。
2023-01-17 cs.LG
Federated Causal Representation Learning in State-Space Systems for Decentralized Counterfactual Reasoning
Georgia Institute of Technology（佐治亚理工学院）
本文提出一种联邦框架，用于状态空间系统中的因果表示学习，以解决工业资产间因控制输入不同导致的输出变化问题，通过去中心化反事实推理实现跨客户端的准确推断。
2026-03-18 cs.LG cs.SY eess.SY
