MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data
本文提出MissNODAG，一种可微框架，从不完整数据中学习潜在的循环因果图和缺失机制，通过结合加性噪声模型和期望最大化过程，交替填补缺失值和优化观测数据似然，以揭示循环结构和缺失机制。
2026-04-05 cs.LG stat.ML
RECLAIM: Cyclic Causal Discovery Amid Measurement Noise
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
RECLAIM通过最大似然估计和残差归一化流处理循环因果和测量噪声，理论保证一致性和实验证明有效性。
2026-03-21 cs.LG stat.ML
Cycles in Causal Learning
Google Research（谷歌研究院）
在因果学习中，我们希望学习变量之间的因果关系，以便我们能够正确地推断干预的效果。虽然循环结构和非循环结构之间的差异可能只是一条边，但循环因果结构在干预下具有质的不同行为：当干预的下游效应传播回源变量时，循环会导致反馈回路。我们提出了三个理论观察概率分布与自指因子分解，即分布，可以用图形表示的一个周期。首先，我们证明了两个变量的自指分布实际上是独立的。其次，我们证明了N个变量的自参考分布具有零互信息。最后，我们证明了自指分布，因式分解在一个周期，也因式分解，好像周期被逆转。这些结果表明，即使观测数据表明变量之间的独立性，也可能存在循环因果依赖。基于估计互信息的方法，或基于独立因果机制的推理，很可能无法学习循环因果结构。我们鼓励未来的工作在因果学习，仔细考虑周期。
2020-07-24 cs.LG stat.ML
NODAGS-Flow: Nonlinear Cyclic Causal Structure Learning
Georgia Institute of Technology（佐治亚理工学院）；Stanford University（斯坦福大学）；Genentech（基因泰克）
学习变量之间的因果关系是统计学中研究得很好的问题，在科学中有许多重要的应用。然而，建模现实世界的系统仍然具有挑战性，因为大多数现有的算法假设，底层的因果图是无环的。虽然这是一个方便的框架，用于发展关于因果推理和推断的理论发展，但在真实系统中，潜在的建模假设可能会被违反，因为反馈回路是常见的（例如，生物系统）。虽然有一些方法搜索循环因果模型，但它们通常依赖于某种形式的线性，这也是有限的，或者缺乏明确的潜在概率模型。在这项工作中，我们提出了一种新的框架，用于从介入数据中学习非线性循环因果图模型，称为NODAGS流。我们通过直接似然优化进行推理，采用残差归一化流的似然估计技术。通过合成实验和单细胞高含量扰动筛选数据的应用，我们显示出显着的性能改进与我们的方法相比，国家的最先进的方法，结构恢复和预测性能。
2023-01-04 cs.LG stat.ME stat.ML
Distributionally Robust Causal Inference with Observational Data
Massachusetts Institute of Technology（麻省理工学院）；Harvard University（哈佛大学）；Harvard Business School（哈佛商学院）
我们考虑了观察性研究中平均处理效应的估计，并提出了一个新的具有未观察到的混杂因素的稳健因果推断框架。我们的方法是基于分布鲁棒优化和收益分两步。我们首先指定未观察到的潜在结果的分布可能偏离观察到的结果的分布的最大程度。然后，我们推导出在此假设下的平均处理效应的急剧界限。我们的框架包括流行的边际敏感性模型作为一个特例，我们展示了如何提出的方法可以解决边际敏感性模型的主要挑战，当未观察到的混杂因素大大影响治疗和结果时，它会产生无意义的结果。具体而言，我们开发了一种替代的敏感性模型，称为分布敏感性模型，假设由于未观察到的变量的处理效应的异质性相对较小。与边际敏感性模型不同，分布敏感性模型允许潜在的重叠缺乏，即使未观察到的变量实质上影响治疗和结局，也经常产生信息边界。最后，我们展示了如何将分布灵敏度模型扩展到具有工具变量的差中差设计和设置。通过模拟和实证研究，我们证明了所提出的方法的适用性。
2023-02-02 cs.LG math.OC stat.ME
A Distributionally Robust Framework for Nuisance in Causal Effect Estimation
NEC Corporation（日本电报电话公司）
本文提出了一种分布鲁棒框架，通过对抗损失函数和加权Rademacher复杂度正则化，解决因果效应估计中的倾向评分不准确和权重不稳定性问题。
2025-11-20 cs.AI cs.LG stat.ML
Wasserstein Distributionally Robust Optimization Through the Lens of Structural Causal Models and Individual Fairness
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tübingen AI Center（图宾根人工智能中心）；Mila Québec AI Institute（魁北克人工智能研究所）；McGill University（麦吉尔大学）
该研究从因果结构与个体公平性角度重构 Wasserstein DRO，利用对偶形式、闭式正则化及有限样本误差界提升其可计算性与鲁棒性。
2025-09-30 cs.LG
A Constraint-Based Algorithm For Causal Discovery with Cycles, Latent Variables and Selection Bias
自然界中的因果过程可能包含循环，而真实数据集可能违反因果充分性并包含选择偏差。目前没有基于约束的因果发现算法可以同时处理周期、潜变量和选择偏差（CLS）。因此，我介绍了一种算法，称为循环因果推断（CCI），使健全的推论与条件独立的预言CLS下，只要我们可以表示为一个非递归的线性结构方程模型的非递归的因果过程的独立错误。实证结果表明，CCI优于CCD在循环的情况下，以及竞争对手的FCI和RFCI在非循环的情况下。
2018-05-05 cs.LG stat.ME stat.ML
Distributionally Robust Causal Abstractions
本文提出分布鲁棒因果抽象方法，通过最小最大优化和Wasserstein模糊集提升因果抽象的鲁棒性，适用于环境变化和模型不准确场景。
2026-01-21 cs.AI cs.LG
Differentiable Cyclic Causal Discovery Under Unmeasured Confounders
School of Electrical & Computer Engineering（电气与计算机工程学院）；Georgia Institute of Technology（佐治亚理工学院）
DCCD-CONF提出了一种可微分学习非线性循环因果图的新框架，以应对未测量混杂因素，通过干预数据优化图结构和混杂分布，提升因果图恢复和混杂识别性能。
2026-01-23 cs.LG stat.ME stat.ML
Cyclic Causal Discovery from Continuous Equilibrium Data
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）
我们提出了一种从观测和干预平衡数据的组合中学习循环因果模型的方法。所提出的方法的新颖之处在于它能够处理连续数据（不假设线性）和处理反馈回路。在生物化学反应的背景下，我们还提出了一种新的建模干预措施的方式，修改化合物的活性，而不是它们的丰度。由于计算的原因，我们近似的非线性因果机制（耦合）局部线性化，每个实验条件。我们应用该方法从Sachs等人（2005）测量的流式细胞术数据重建细胞信号网络。我们表明，我们的方法发现反馈回路的数据中的证据，它提供了一个更准确的定量描述的数据在可比的模型复杂性。
2013-09-26 cs.AI cs.LG stat.ML
Characterizing Distribution Equivalence and Structure Learning for Cyclic and Acyclic Directed Graphs
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；Carnegie Mellon University（卡内基梅隆大学）
定义非循环有向因果图模型之间等价性的主要方法是基于因果模型可以生成的分布中的条件独立关系，即马尔科夫等价性。然而，众所周知，当因果结构中允许循环时，条件独立性可能不是两个结构等价的合适概念，因为它不能反映分布中对识别底层结构有用的所有信息。在本文中，我们提出了一个一般的，统一的概念，等价的线性高斯因果有向图模型，无论它们是循环的或非循环的。在我们提出的等价定义中，如果两个结构可以生成相同的数据分布集，则它们是等价的。我们还提出了一个较弱的概念，称为准等价等价，我们表明是从观测数据的可识别性的程度。我们提出了分析以及图形的方法来表征两个结构的等价性。此外，我们提出了一个基于分数的方法来学习的结构从观测数据，成功地处理了非循环和循环结构。
2020-07-02 cs.LG stat.ML
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
Cyclic quantum causal modelling with a graph separation theorem
本文提出适用于有限维系统上所有一致量子和经典循环因果模型的框架，引入稳健概率规则和图分离性质p-分离并证明其可靠性与完备性，通过后选择量子隐形传态将循环模型映射为无环模型，为循环因果发现及非经典性认证奠定基础。
2025-02-07 math.ST quant-ph stat.ML
Instrumental Variable Estimation of Distributional Causal Effects
本文提出基于工具变量的分布因果效应识别与估计方法，引入分布IV模型并构造非参数估计量DIVE，用于估计二值处理下的干预累积分布函数，并通过模拟和真实数据验证其有效性。
2024-08-06 stat.ME
Structure Learning for Cyclic Linear Causal Models
研究了基于观测数据的线性因果模型的结构学习问题。我们对待可能的循环混合图，它允许反馈回路和潜在的混淆因素的影响给出的模型。推广了无弓无圈图的相关工作，我们假设底层图是简单的。这意味着，任何两个观察到的变量可以通过最多一个直接的因果关系的影响和结构方程中的误差项之间的相关性（混淆诱导）只发生在没有直接的因果关系的影响。我们发现，尽管新的微妙之处，在循环的情况下，所考虑的简单的循环模型是预期的尺寸和以前考虑的标准分布等价的弓无无圈图有类似的循环的情况下。我们的模型维数的结果证明，特别是基于分数的线性高斯混合图模型的结构学习方法，我们通过贪婪搜索实现。
2020-08-19 math.ST stat.ML stat.TH
Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data
Duke University（杜克大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种可解释的分布数据分析方法ADD MALTS，通过将可穿戴设备与传感器数据表示为分布进行因果推断，提供了估计正确性保证，并在模拟和连续血糖监测仪研究中验证了其在估计处理效应方面的优越性与可信度。
2024-03-20 cs.LG eess.SP stat.ME
SCOUT: Cyclic Causal Discovery Under Soft Interventions with Unknown Targets
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）
SCOUT提出一种新框架，通过最大化数据对数似然恢复图结构，利用合同残差流和神经样条流，实现从软干预数据中学习非线性循环因果关系，优于现有方法。
2026-05-15 cs.LG
Comparative Study of Causal Discovery Methods for Cyclic Models with Hidden Confounders
Technische Universität Berlin（柏林工业大学）
针对现有多数因果发现算法无法适配含循环与隐混淆因子系统的问题，本文对两种LLC方法和两种基于ASP的算法开展多干预、多数据集规模的对比实验，明确各方法的优劣。
2024-12-08 cs.LG stat.ME stat.ML
Causality in cognitive neuroscience: concepts, challenges, and distributional robustness
概率模型描述了观测变量之间的依赖结构，而因果模型则更进一步：例如，它们预测了干扰神经元活动的外部干预如何影响认知功能。在这篇回顾和展望文章中，我们介绍了认知神经科学背景下的因果关系的概念，并回顾了现有的方法从数据中推断因果关系。因果推理是一项雄心勃勃的任务，在认知神经科学中尤其具有挑战性。我们更详细地讨论了两个困难：介入数据的稀缺性和寻找正确变量的挑战。我们认为，分配的鲁棒性作为一个指导原则，以解决这些问题。鲁棒性（或不变性）是因果方法论的基本原则。一个目标变量的因果模型可以在环境或主题中推广，只要这些环境保持因果机制不变。因此，如果一个候选模型不能泛化，那么要么它不包含目标变量的原因，要么底层变量不代表问题的正确粒度。从这个意义上说，在定义相关变量时，评估普遍性可能是有用的，并且可以用于部分补偿缺乏干预性数据。
2020-07-03 q-bio.NC stat.AP stat.ME
TabCF: Distributional Control Function Estimation with Tabular Foundation Models
Iowa State University（爱荷华州立大学）；University of Virginia（弗吉尼亚大学）；University of Minnesota（明尼苏达大学）；University of Manchester（曼彻斯特大学）
TabCF利用表格基础模型进行控制函数回归，实现快速且透明的分布因果估计，适用于干预均值和分位数等分布量，提出基于Copula的多变量结果近似方法。
2026-05-07 cs.LG stat.ME stat.ML
Directed Cyclic Graph for Causal Discovery from Multivariate Functional Data
本文提出一种函数型线性结构方程模型，通过低维因果嵌入空间处理可能含循环的多元函数数据因果发现，并建立完全贝叶斯推断框架，在模拟和脑电图数据上验证了其优越性。
2023-10-31 stat.ME stat.ML
Local Causal Discovery with Linear non-Gaussian Cyclic Models
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）
本文提出一种适用于线性非高斯模型的统一局部因果发现方法，通过扩展独立成分分析至独立子空间分析，实现从目标变量的马尔可夫毯中精确识别局部有向结构和因果强度，并在无环场景下提供基于回归的替代方法。
2024-03-21 cs.AI cs.LG
Causal-DRF: Conditional Kernel Treatment Effect Estimation using Distributional Random Forest
University of Geneva（日内瓦大学）；ETH Zürich（苏黎世联邦理工学院）；NYU Grossman School of Medicine（纽约大学格罗斯曼医学院）
本文提出Causal-DRF方法，利用分布随机森林算法估计条件核治疗效应，通过森林拟合获得一致且渐近正态的估计值，从而更全面理解治疗效应差异。
2026-04-02 stat.ME
Beyond the Average: Distributional Causal Inference under Imperfect Compliance
本文提出一种基于工具变量和分布回归的估计器，用于在不完全依从的随机实验中估计局部分布处理效应，达到半参数效率界，并在俄勒冈健康保险实验中验证其有效性。
2025-10-26 econ.EM math.ST stat.AP
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
Data-Driven and Cycle-Agnostic Covariate Selection for Nonparametric Causal Effect Estimation
Leiden University（莱顿大学）
本文提出一种基于条件独立性的本地数据驱动方法，用于非参数和周期无关的因果效应估计，证明其在存在循环因果模型时的有效性，并通过合成数据验证了方法的可靠性。
2026-11-05 cs.LG
The Statistical Cost of Causal Discovery with Feedback
Seoul National University（首尔国立大学）；Princeton University（普林斯顿大学）
本文研究循环线性非高斯因果发现中精确恢复强连通分量及外部边的样本复杂度，提出信息论下界及BlockExo算法，实现结构匹配的样本效率。
2026-09-29 cs.LG stat.ML
A Unified Experiment Design Approach for Cyclic and Acyclic Causal Models
EPFL（洛桑联邦理工学院）；Leiden University（莱顿大学）；Boston University（波士顿大学）
针对循环因果图实验设计的难点，提出统一适用于循环与非循环因果模型的实验设计方法，证明其在实验次数和受限实验规模下均达到最优性。
2023-12-13 cs.AI cs.LG
Distributional Instrumental Variable Method
ETH Zürich（苏黎世联邦理工学院）；University of Washington（华盛顿大学）
提出分布工具变量方法，利用生成建模在非线性工具变量设置中估计整个干预分布，并证明其可识别性优于传统方法。
2026-06-18 stat.ME stat.ML
Controllable Generative Sandbox for Causal Inference
Emory University（埃默里大学）；Yale University（耶鲁大学）；Amgen（安进公司）
CausalMix是一种结合高斯潜在先验与数据类型特定解码器的变分生成框架，通过显式因果控制实现对因果机制的可控生成，适用于混合类型表格数据的高保真模拟及因果推断研究。
2026-03-03 cs.LG stat.ME stat.ML
Distributional robustness of K-class estimators and the PULSE
University of Copenhagen（哥本哈根大学）
虽然因果模型是稳健的，因为它们在任意强干预下是预测最优的，但当干预有界时，它们可能不是最优的。我们证明了经典的K-类估计满足这样的最优性，通过建立K-类估计和锚回归之间的联系。这种连接进一步激发了一种新的估计在工具变量设置，最大限度地减少均方预测误差的约束，估计位于一个渐近有效的置信区域的因果系数。我们称这个估计量为PULSE（p-不相关最小二乘估计量），将其与不变性相关，表明它可以作为数据驱动的K类估计量有效地计算，即使底层优化问题是非凸的，并证明一致性。我们评估真实数据的估计，并进行模拟实验，说明脉冲遭受较少的变化。有几个设置，包括弱工具变量设置，在这些设置中，它优于其他估计器。
2022-03-26 cs.LG econ.EM stat.ML
Causal Discovery of Linear Cyclic Models from Multiple Experimental Data Sets with Overlapping Variables
University of Helsinki（赫尔辛基大学）；Carnegie Mellon University（卡内基梅隆大学）
许多科学数据是以随机实验的方式收集的，这些实验干预了一些变量，并观察了其他感兴趣的变量。通常情况下，一个特定的现象在几项研究中进行调查，每项研究都涉及不同的变量。在这篇文章中，我们考虑的问题，整合这些知识，尽可能多地推断有关的基本因果结构的工会观察到的变量从这样的实验或被动观测重叠的数据集。我们不假设基础数据生成模型的非周期性或联合因果充分性，但我们确实将因果关系限制为线性，并且仅使用数据的二阶顺序统计量。我们推导出最通用的情况下，完整的模型可识别性的条件，并提供新的技术，将忠实的假设，以帮助推理。在每一种情况下，我们都试图根据手头的数据来确定什么是决定性的，什么不是决定性的。
2012-10-16 cs.AI stat.ME stat.ML
A general framework for cyclic and fine-tuned causal models and their compatibility with space-time
本研究提出一个适配循环、微调及非经典因果影响的通用因果建模框架，定义操作性与相对论性因果概念的独立表述及二者联系，给出时空嵌入的兼容性条件，识别多类因果循环并引入高阶影响关系以助力微调因果模型的因果发现。
2022-09-07 gr-qc math.ST quant-ph
Causal Confusion in Imitation Learning
Qualcomm AI Research（高通人工智能研究院）；University of Amsterdam（阿姆斯特丹大学）；Berkeley AI Research（伯克利人工智能研究院）；Facebook AI Research（Facebook人工智能研究院）
行为克隆通过训练一个判别模型来预测给定观察的专家行为，从而将策略学习简化为监督学习。这种判别模型是非因果的：训练过程不知道专家与环境之间相互作用的因果结构。我们指出，由于模仿学习的分布变化，忽视因果关系尤其有害。特别是，它会导致一个反直觉的“因果错误识别”现象：获得更多的信息可能会产生更差的性能。我们调查这个问题是如何产生的，并提出了一个解决方案，以打击它通过有针对性的干预-无论是环境的相互作用或专家查询-以确定正确的因果模型。我们表明，因果错误识别发生在几个基准控制域以及现实的驾驶设置，并验证我们的解决方案对Dagger和其他基线和消融。
2019-11-04 cs.LG stat.ML
Statistical Inference via Generative Models: Flow Matching and Causal Inference
Shinto Eguchi
本书通过流匹配方法，将生成模型重新诠释为非参数学习高维概率分布的统计工具，用于解决生存分析、删失、缺失和因果推断等结构性高维问题。
2026-03-09 cs.LG stat.ML
Distributional Balancing for Causal Inference: A Unified Framework via Characteristic Function Distance
University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
本文提出基于特征函数距离的统一框架，用于非参数分布平衡，以提高因果推断的准确性，并通过理论分析和实证研究验证其有效性。
2026-02-05 stat.ME
Causal Discovery via Transformed Low-Rank Quantile Surfaces
Shiga University（滋贺大学）；RIKEN AIP（理化学研究所人工智能研究中心）；The University of Osaka（大阪大学）
提出低秩分位数曲面模型，通过非参数拟合实现因果方向识别，在分布形状超出位置-尺度假设时表现优异。
2026-10-22 cs.AI cs.LG stat.ME
Feature Selection for Discovering Distributional Treatment Effect Modifiers
NTT Communication Science Laboratories（NTT通信科学实验室）；Kyoto University（京都大学）
找到与治疗效果差异相关的特征对于揭示潜在的因果机制至关重要。现有的方法通过测量特征属性对{ \it条件平均治疗效果}（CATE）的影响程度来寻找这样的特征。然而，这些方法可能忽略重要特征，因为CATE（平均治疗效果的量度）不能检测除平均值之外的分布参数的差异（例如，方差）。为了解决现有方法的这一弱点，我们提出了一个特征选择框架发现{ \it分布治疗效果修饰符}。我们首先制定了一个特征重要性度量，量化了特征属性对潜在结果分布之间差异的影响程度。然后，我们推导出它的计算效率的估计和开发一个特征选择算法，可以控制类型I的出错率到所需的水平。实验结果表明，我们的框架成功地发现了重要的功能，并优于现有的基于均值的方法。
2022-06-13 cs.LG stat.ML
Causal Generative Neural Networks
我们提出了因果生成神经网络（CGNNs）从观测数据中学习函数因果模型。CGNN利用条件独立性和分布不对称性来发现二元和多元因果结构。CGNNs不假设缺乏混杂因素，并通过使用反向传播来学习数据的可微生成模型。大量的实验表明，他们的良好的表现相对于最先进的观测因果发现的模拟和真实数据，相对于因果推理，v-结构识别，和多元因果发现。
2018-02-05 stat.ML
Meta Learning for Causal Direction
University of Oxford（牛津大学）；The Institute of Statistical Mathematics（统计数理研究所）
由于许多科学领域的固有限制，随机对照试验的不可及性一直是因果推断中的一个基本问题。在本文中，我们专注于区分因果关系的双变量设置有限的观测数据。基于Meta学习和因果推断的最新发展，我们引入了一种新的生成模型，可以在小数据环境中区分因果关系。使用包含每个数据集的分布信息的学习任务变量，我们提出了一个端到端的算法，该算法在测试时使用类似的训练数据集。我们在各种合成数据和真实数据上演示了我们的方法，并表明它能够在不同数据集大小的方向检测中保持高精度。
2021-02-22 cs.LG stat.ML
An Asymmetric Independence Model for Causal Discovery on Path Spaces
Technical University of Munich（慕尼黑工业大学）；Helmholtz Munich（亥姆霍兹慕尼黑中心）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）；Copenhagen Business School（哥本哈根商学院）
针对随机微分方程的因果发现，论文提出在边缘化下封闭的非对称E-分离独立性模型，证明循环及部分观测SDE的全局马尔可夫性质，并给出图等价类最大元的识别算法。
2025-03-12 cs.LG 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
Anchor regression: heterogeneous data meets causality
我们考虑从一组协变量中预测一个响应变量的问题，这些协变量在一个数据集上的分布与训练数据不同。因果参数是最佳的预测精度，如果在新的分布中，许多变量受到影响的干预措施或只有一些变量受到影响，但扰动很强。如果训练分布和测试分布相差一个偏移，那么因果参数可能过于保守，无法很好地执行上述任务。这激发了锚回归，一种利用外生变量通过考虑最小二乘损失的修改来解决因果极大极小问题的松弛的方法。该过程自然地提供了普通最小二乘和两阶段最小二乘的解决方案之间的插值。我们证明了估计满足预测保证的分布鲁棒性对线性类中的移位，这些保证是有效的，即使违反了工具变量的假设。如果锚回归和最小二乘法提供相同的答案（锚稳定性），我们建立OLS参数在某些分布变化下是不变的。锚回归的经验表明，以提高可复制性和防止分布的变化。
2020-05-08 stat.ME
Weighted Spline-Expanded Networks with Distributional Balancing for Continuous Treatment Effects
University of Wisconsin–Madison（威斯康星大学麦迪逊分校）
针对连续处理因果效应估计中的混杂与误设问题，提出WSENet，结合协变量平衡、样条扩展与加权正则化，实现稳健且优于基线的剂量反应建模。
2026-09-29 cs.LG stat.ML
Semiparametric Efficient Test for Interpretable Distributional Treatment Effects
Gatsby Computational Neuroscience Unit, University College London（Gatsby计算神经科学单位，伦敦大学学院）
本文提出DR-ME，首个半参数高效有限位置检验，用于检测可解释的分布治疗效应差异，通过局部测试和样本分割实现高功效和低误差。
2026-05-08 cs.LG stat.ML
A Semiparametric Approach to Causal Inference
针对平均因果效应估计见解有限的问题，该研究提出基于半参数密度比模型的EL-DRM框架，通过经验似然估计非参数成分，可从分布视角实现因果推断，经合成与真实数据验证有效。
2024-11-01 stat.ME stat.ML
Prequential MDL for Causal Structure Learning with Neural Networks
DeepMind（深度思维）
从观测中学习贝叶斯网络的结构和因果关系是多个科学和技术领域的共同目标。我们发现，先决条件的最小描述长度原则（MDL）可以用来推导出一个实用的评分函数贝叶斯网络时，灵活的和overparametrized神经网络被用来模拟观测变量之间的条件概率分布。MDL代表了奥卡姆剃刀的一个实施例，我们获得合理的和简约的图形结构，而不依赖于稀疏诱导先验或其他正则化，必须调整。从经验上讲，我们在合成数据和真实数据上展示了竞争结果。即使在变量之间存在强烈的非线性关系的情况下，分数也经常恢复正确的结构;一种情况是先前的方法难以实现，通常会失败。此外，我们还讨论了如何与最近的工作，推断因果结构的适应速度时，观察来自一个源进行分布转移的先决条件的分数。
2021-07-02 cs.LG stat.ML
Near-Optimal Experiment Design in Linear non-Gaussian Cyclic Models
EPFL（苏黎世联邦理工学院）；Leiden University（莱顿大学）
本文提出了一种基于随机优化的近最优实验设计方法，用于从线性非高斯循环模型中学习因果结构。
2025-12-04 cs.AI cs.LG stat.ML
Causal Discovery with a Mixture of DAGs
Vanderbilt University Medical Center（范德比尔特大学医学中心）
生物医学中的因果过程可能包含周期，随着时间的推移而演变或在人群之间存在差异。然而，许多图形模型不能适应这些条件。我们建议使用有向循环图（DAG）的混合物来建模因果关系，其中人口中的联合分布在任何单个时间点都遵循DAG，但在时间上可能不同的DAG。我们还介绍了一种算法，称为因果推断混合，使用纵向数据来推断一个图形，总结了从混合的DAG产生的因果关系。实验表明，与现有方法相比，性能有所改善。
2020-09-05 cs.LG stat.AP stat.ML
CaDrift: A Time-dependent Causal Generator of Drifting Data Streams
LIVIA, École de Technologie Supérieure (ÉTS), Université du Québec（LIVIA，École de Technologie Supérieure（ÉTS），Université du Québec）；Graduate Program in Informatics (PPGIa), Pontifícia Universidade Católica do Paraná (PUCPR)（研究生信息学项目（PPGIa），Pontifícia Universidade Católica do Paraná（PUCPR））
CaDrift是一种基于结构因果模型的时间依赖合成数据生成器，通过可控漂移事件和时间依赖数据模拟数据流变化，验证了其在评估方法鲁棒性方面的有效性。
2026-02-23 cs.DB cs.LG
Extended Wasserstein-GAN Approach to Causal Distribution Learning: Density-Free Estimation and Minimax Optimality
The University of Tokyo（东京大学）；Japan Institute for Health Security（日本健康安全研究所）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进情报项目）；Kyoto University（京都大学）
本文提出GANICE方法，通过扩展Wasserstein距离和极小极大最优性理论，解决因果分布估计中的无密度估计和最优性问题，实验表明其优于现有方法。
2026-05-11 cs.LG math.ST stat.ML
disco: Distributional Synthetic Controls
Emory University（埃默里大学）；University of Virginia（弗吉尼亚大学）
研究利用观测数据评估政策变化因果效应时，介绍迪斯科命令实现分布合成控制方法，能为处理单元构建合成分布，提供多种汇总方案、推断程序及可视化功能，还通过复制实证说明其使用。
2026-07-14 econ.EM stat.ME stat.ML
Structural Agnostic Modeling: Adversarial Learning of Causal Graphs
本文提出了一种新的因果发现方法--结构不可知建模（SAM）。SAM利用条件独立性和分布不对称性，旨在从观测数据中找到潜在的因果结构。该方法是基于不同的球员之间的游戏，估计每个变量的分布有条件的其他神经网络，和一个对手，旨在区分所生成的数据对原始数据。结合分布估计，稀疏性和无环性约束的学习准则是用来执行通过随机梯度下降的图的结构和参数的优化。SAM在合成和真实数据上进行了广泛的实验验证。
2022-07-25 stat.ML
