On Transportability for Structural Causal Bandits
Graduate School of Data Science（数据科学研究生院）；Seoul National University（首尔国立大学）
本文提出了一种结构因果投递框架，通过融合源环境的先验信息来增强部署学习，实现了亚线性遗憾界并可能优于传统方法。
2025-11-22 cs.LG stat.ML
Counterfactual (Non-)identifiability of Learned Structural Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）
概率生成建模的最新进展促使使用深度条件生成模型（也称为深度结构因果模型（DSCM））从观测数据集学习结构因果模型（SCM）。如果成功，DSCM可以用于因果估计任务，例如，回答反事实的问题在这项工作中，我们警告从业者，即使在没有未观察到的混淆和假设已知的因果结构的情况下，从观察数据中得出的反事实推断也是不可识别的。我们证明了具有一维外生变量的单调生成机制的反事实可识别性。对于一般的生成机制与多维外生变量，我们提供了一个不可能的结果，反事实的可识别性，激励参数假设的需要。作为一种实用的方法，我们提出了一种方法来估计学习DSCM的反事实预测的最坏情况下的错误。这个错误的大小可以是决定DSCM是否是在特定问题设置中进行反事实推理的可行方法的基本度量。在评估中，我们的方法确认可以忽略不计的反事实错误的可识别的SCM从以前的工作，也提供了翔实的错误界限上的反事实错误的不可识别的合成SCM。
2023-01-22 cs.LG stat.ML
The Structurally Complex with Additive Parent Causality (SCARY) Dataset
RMIT University（皇家墨尔本理工大学）
本文构建包含40个场景、三种随机种子、两类加性因果机制且 Varsortability 为0.5的合成 SCARY 数据集，以支持更现实条件下的因果发现研究。
2023-04-27 cs.LG stat.ML
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
Standardizing Structural Causal Models
ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（智能系统MPI研究所）
本文提出iSCM，在生成过程中逐变量标准化以消除SCM数据沿因果顺序产生的方差和相关性伪影，并证明其在可识别性与大型系统稳定性方面的优势。
2025-03-17 cs.LG stat.ML
Learning Structural Causal Models from Ordering: Identifiable Flow Models
Applied Artificial Intelligence Institute (A2I2), Deakin University（迪肯大学应用人工智能研究所（A2I2））
本研究针对仅含观测数据与有效因果排序的因果推断问题，提出可辨识流模型，能同时学习因果机制、降低复杂度，性能优于现有最优方法且计算效率更高，适用于大型结构因果模型。
2024-12-13 cs.AI cs.LG stat.ML
Probabilistic Active Learning of Functions in Structural Causal Models
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
我们考虑的问题，学习的功能计算儿童从父母的结构因果模型，一旦潜在的因果图已被确定。这在某种意义上是因果发现之后的第二步。以概率的方法来估计这些功能，我们得出一个自然的近视主动学习计划，确定的干预，这是最佳的信息，所有的未知功能联合，以前观察到的数据。我们测试派生的算法简单的例子，证明他们产生一个结构化的探索政策，显着改善非结构化的基线。
2017-06-30 cs.AI cs.LG stat.ML
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归（如果有的话）是什么？我们研究这个问题的设置离散协变量，推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解：潜在的结果，因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME stat.ML
Local Causal Discovery for Structural Evidence of Direct Discrimination
Cornell Tech（康奈尔理工学院）；Stevens Institute of Technology（史蒂文斯理工学院）；University of Oxford（牛津大学）；Amazon AWS AI/ML（亚马逊云科技人工智能/机器学习部门）；Weill Cornell Medicine（威尔康奈尔医学院）
本文提出用于直接歧视的局部发现（LD3）方法，通过识别结果变量的因果父代来揭示直接不公平的结构证据，在有限样本下高效返回有效调整集，并在犯罪累犯预测和肝移植分配系统中验证了其时间效率和结果合理性。
2024-12-20 cs.LG stat.ML
Induced Covariance for Causal Discovery in Linear Sparse Structures
Virginia Tech（弗吉尼亚理工大学）
针对线性稀疏因果结构，本文提出利用结构矩阵的数据重构能力及其诱导的统计性质识别 DAG，无需独立性检验或图拟合，并在有限数据仿真中优于 PC、GES、BIC 精确搜索和 LINGAM 方法。
2024-10-02 cs.LG stat.ML
Causal Discovery in Structural VAR Models Under Equal Noise Variance
Bourns College of Engineering, University of California, Riverside（加州大学河滨分校工程学院）；University of California, San Francisco（加州大学旧金山分校）；Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计学系）
本文研究了在等噪声方差假设下线性高斯结构VAR模型中的因果发现问题，提出了一种基于稀疏性的方法ENVAR，用于在观测等价类中寻找稀疏的结构代表，并在合成数据和fMRI数据集上进行了评估。
2026-05-21 cs.LG 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
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
Identification in Tree-shaped Linear Structural Causal Models
University of Lübeck（吕贝克大学）；Saarland University（萨尔大学）
线性结构方程模型将直接因果效应表示为有向边，将混杂因素表示为双向边。一个开放的问题是从节点之间的相关性中识别因果参数。我们调查模型，其有向分量形成一棵树，并表明，有，除了经典的工具变量，丢失的周期的双向边缘可以用来识别模型。他们可以产生系统的二次方程，我们明确解决，以获得一个或两个解决方案的因果参数相邻的有向边缘。我们展示了如何多个丢失的周期可以结合起来，以获得一个独特的解决方案。这导致了一种算法，可以识别以前需要基于格罗布纳基的方法的实例，该方法在结构参数的数量上具有双指数时间复杂度。
2022-03-04 cs.AI cs.LG cs.SC
Clustering and Structural Robustness in Causal Diagrams
University of Jyvaskyla（于韦斯屈莱大学）
本文针对大规模因果图的简化问题，定义可保留因果效应可识别性的 transit cluster，提出寻找全部此类聚类的可靠完备算法，并揭示其与扩展图结构稳健性的关系。
2023-08-15 cs.LG stat.ME stat.ML
CASE-NET: Deep Spatio-Temporal Representation Learning via Causal Attention and Channel Recalibration for Multivariate Time Series Classification
Shandong Technology and Business University（山东技术与商业大学）；Ludong University（鲁东大学）
本文提出CASE-NET，通过因果注意力和通道重校准模块，解决多变量时间序列分类中时空表示不准确的问题，实现在四个任务上达到新的最先进基准，最高准确率达98.6%。
2026-05-21 cs.LG
Causality, Causal Discovery, and Causal Inference in Structural Engineering
本文从土木与结构工程视角系统阐述因果发现与因果推断的基本原理、常用算法及软件包，并通过案例展示其相对于传统机器学习方法的优势与应用方式。
2022-08-08 cs.LG stat.ME
Causal Inference on Time Series using Structural Equation Models
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）
因果推断使用观察来推断数据生成系统的因果结构。我们研究一类函数模型，我们称之为独立噪声时间序列模型（TiMINo）。这些模型需要独立的残差时间序列，而传统的方法，如格兰杰因果关系利用残差的方差。有两个主要贡献：（1）理论：通过限制模型类（例如加性噪声），我们可以提供比现有的更一般的可识别性结果。该结果结合了可以是非线性的并且不需要是忠实的滞后和瞬时效应，以及时间序列之间的非瞬时反馈。(2)实用：如果时间序列之间没有反馈环，我们提出了一种基于时间序列的非线性独立性测试的算法。当数据不充分或数据生成过程不满足模型假设时，该算法仍可能给出部分结果，但大多数情况下避免了错误答案。对（非瞬时）反馈的扩展是可能的，但未讨论。它在人工和真实数据上优于现有方法。代码可以根据要求提供。
2012-07-21 cs.LG stat.ME stat.ML
Incorporating structural uncertainty in causal decision making
Department of Mathematics and Computer Science（数学与计算机科学系）；University of Eindhoven（埃因霍温大学）
该研究针对因果决策中常被忽略的结构不确定性问题，提出对竞争因果结构做贝叶斯模型平均的方法，证明其正则条件下的最优性，验证了因果发现方法的量化能力，补充了现有稳健因果推断路径。
2025-07-31 cs.LG math.ST stat.TH
FlexCausal: Flexible Causal Disentanglement via Structural Flow Priors and Manifold-Aware Interventions
Southeast University, Jiangsu, China（东南大学）
FlexCausal 通过结构流先验和 manifold 意识干预，实现更灵活的因果解构表示学习，提升生成质量与因果结构对应精度。
2026-01-29 cs.LG
Robust Causal Discovery under Imperfect Structural Constraints
本文针对不完美结构约束下的因果发现问题，提出通过先验对齐与多任务多梯度优化协调知识与数据，提升线性和非线性场景下的鲁棒因果发现性能。
2025-11-10 cs.AI cs.LG stat.ML
Causal Bias Quantification for Continuous Treatments
Amazon（亚马逊）；Massachusetts Institute of Technology（麻省理工学院）
我们将边际因果效应的定义扩展到连续治疗环境中，并在结构因果模型的框架内开发了一种新的因果偏差表征。我们证明，我们推导的偏差表达式为零，当且仅当，因果效应是通过协变量调整识别。我们表明，在结构方程的一些限制下，因果偏差可以有效地估计，并允许因果正则化的预测概率模型。我们证明了我们的方法的有效性，因果偏差量化在各种设置（不）控制某些协变量将引入因果偏差。
2022-01-30 cs.AI cs.LG stat.ME
Comparing Causal Frameworks: Potential Outcomes, Structural Models, Graphs, and Abstractions
Stanford University（斯坦福大学）
该研究从中立逻辑视角比较RCM与SCM因果框架，明确RCM可被SCM表示的条件，证明所有RCM都是可表示RCM的抽象，还阐释了SCM原则的应用价值与图的代数约束，推动两类框架的对比研究。
2023-11-06 cs.AI cs.LG cs.LO
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
Causal programming: inference with structural causal models as finding instances of a relation
University of Maryland（马里兰大学）
本文提出了一个因果推断关系和因果规划作为一般框架的因果推断与结构因果模型。元组$\langle M, I, Q, F \rangle$是关系的实例，如果公式$F$计算因果查询$Q$，作为由一组模型假设$M$所包含的每个模型中的已知总体概率$I$的函数。因果推断中的许多问题都可以看作是满足给定条件的关系实例的枚举问题。这统一了一些以前研究的问题，包括因果效应识别，因果发现和选择偏差的恢复。此外，这种关系支持用结构因果模型将因果推断中的新问题形式化，例如研究设计问题。因果规划被提出作为因果推断的进一步推广，作为关于成本函数找到关系的最佳实例的问题。
2018-05-04 cs.AI stat.ME
Heavy Tailed Homogeneous Structural Causal Models
University of Georgia（佐治亚大学）
本文提出HT-HSCM模型，用于在厚尾噪声驱动的因果发现中识别因果方向，通过递归算法恢复模型中的祖先冲击响应。
2026-04-05 math.ST stat.TH
Causal Discovery in Linear Structural Causal Models with Deterministic Relations
Georgia Institute of Technology（佐治亚理工学院）；University of Detroit Mercy（底特律梅西大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
线性结构因果模型（SCM）-其中每个观测变量是由其他观测变量的子集以及外生源的子集生成的-在因果推理和因果发现中很普遍。然而，对于因果发现的任务，现有的工作几乎完全集中在子模型中，每个观察到的变量与一个不同的源与非零方差。这导致了这样的限制，即没有观察到的变量可以确定性地依赖于其他观察到的变量或潜在的混杂因素。在本文中，我们通过关注不具有这种性质的线性SCM的子类，即，在这些模型中，观测变量可以受到源的任何子集的因果影响，并且允许是其他观测变量或潜在混杂因素的确定性函数。这允许对系统中的影响或信息传播进行更真实的建模。我们专注于从这个子类的成员产生的观测数据的因果发现的任务。我们得到了一组因果结构唯一可识别的充分必要条件。据我们所知，这是第一个工作，使潜在的混淆和确定性关系下的因果发现的可识别性结果。此外，我们提出了一个算法，用于恢复的基础因果结构时，满足上述条件。我们验证了我们的理论结果在合成和真实的数据集。
2022-11-08 cs.AI cs.IT cs.LG
A Structural Causal Model for MR Images of Multiple Sclerosis
Johns Hopkins University（约翰斯·霍普金斯大学）
精准医疗涉及回答反事实问题，如“这个病人对治疗A或治疗B的反应更好？“这些类型的问题本质上是因果关系的，需要因果推理的工具来回答，例如，结构因果模型（SCM）。在这项工作中，我们开发了一个SCM模型的人口统计信息，疾病协变量和磁共振（MR）图像的多发性硬化症患者的大脑之间的相互作用。SCM中的推理生成反事实图像，显示如果人口统计学或疾病协变量改变，大脑的MR图像会是什么样子。这些图像可用于对疾病进展进行建模或用于需要控制混杂因素的图像处理任务。
2021-07-13 cs.CV cs.LG eess.IV
Applied Causal Inference Powered by ML and AI
MIT（麻省理工学院）；Chicago Booth（芝加哥大学布斯商学院）；Cornell University（康奈尔大学）；Hamburg University（汉堡大学）；Stanford University（斯坦福大学）
该书聚焦机器学习与因果推断的新兴融合方向，讲解经典结构方程模型及对应的有向无环图、结构因果模型等AI因果框架，介绍双重/去偏机器学习方法以用现代预测工具实现因果推断。
2024-03-04 cs.LG econ.EM stat.ME
Learning Causal Abstractions of Linear Structural Causal Models
Università di Pisa（比萨大学）；University of Amsterdam（阿姆斯特丹大学）
针对线性因果模型的因果抽象条件不明及从数据学习因果抽象的难题，该研究刻画了高低层模型的约束关系，提出Abs-LiNGAM方法，在非高斯噪声假设下加速低层模型恢复，提升因果发现可扩展性。
2024-06-01 cs.AI cs.LG stat.ME
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
Foundations of Structural Causal Models with Latent Selection
本文提出通过结构因果模型理论基础解决潜在选择问题，引入条件操作以保留因果语义并简化分析。
2025-11-16 cs.AI cs.LG math.ST
Path Dependent Structural Equation Models
Johns Hopkins University（约翰斯·霍普金斯大学）；Helmholtz Munich（亥姆霍兹慕尼黑中心）
纵向数据的因果分析通常假设与变量相关的定性因果结构随时间保持不变。在以离散时间步长在性质上不同的状态之间转换的结构化系统中，这种方法在两个方面存在缺陷。首先，时变变量可能具有需要捕获的特定于状态的因果关系。其次，干预可能导致干预下游的状态转换不同于数据中实际观察到的状态转换。换句话说，干预可能会违背事实地改变系统随后的时间演变。我们介绍了因果图模型的推广，路径依赖结构方程模型（PDSEMs），可以描述这样的系统。我们将展示如何在这样的模型中进行因果推断，并说明其在模拟中的使用和从鼻中隔成形术手术过程中获得的数据。
2020-11-10 cs.LG stat.ME
Structural Causal Models for Extremes: an Approach Based on Exponent Measures
提出极值结构因果模型（eSCM），利用指数测度描述极值因果关系，通过激活变量抽象单大跳原理，并利用内在不对称性实现因果方向识别。
2026-10-06 math.ST stat.ME stat.TH
Dynamic Structural Causal Models
Booking.com, Amsterdam, The Netherlands
研究动态结构因果模型（DSCM），其内生变量为时间函数，可表示某些随机微分方程系统。定义时间分割与子采样操作，用于分析局部独立性及处理子采样时间序列，还给出DSCMs在因果效应识别和算法应用方面的建议。
2026-07-21 math.PR math.ST stat.ML
Canonical Representations of Markovian Structural Causal Models: A Framework for Counterfactual Reasoning
本文提出结构因果模型的规范表示（反事实模型），通过归一化程序分离反事实选择与干预约束，从而在保留干预知识的同时灵活实现多种反事实假设，无需个体层面估计。
2025-09-22 cs.AI math.ST stat.TH
Characterization and Greedy Learning of Gaussian Structural Causal Models under Unknown Interventions
本文研究未知干预目标下高斯线性结构因果模型的等价类恢复问题，提出贪心算法 GnIES 及半合成数据生成方法，并在合成与真实数据上验证其性能。
2025-03-12 stat.CO stat.ME stat.ML
Scalable and Versatile Identification for Hierarchical Structural Causal Models: A New Look at Project STAR
针对分层结构因果模型，本文开发了一套连接符号识别与实际估计的可扩展开源管道，经验证后应用于STAR项目，发现扁平基线无法编码班级干预，符号识别需结合可扩展估计与数值稳定性检查。
2026-08-26 cs.AI stat.ML
Comparative Benchmarking of Causal Discovery Techniques
TCS Research（塔塔咨询服务研究部）
在本文中，我们提出了一个全面的观点突出的因果发现算法，分为两个主要类别（1）假设无循环和无潜变量，（2）允许循环和潜变量，以及实验结果比较他们从三个角度：（a）结构准确性，（b）标准预测准确性，（c）准确性的反事实推理。对于（b）和（c），我们训练具有由每种因果发现技术预测的结构的因果贝叶斯网络，以执行反事实或标准预测推理。我们比较了两个publicly可用的因果算法和一个模拟数据集具有不同的样本大小：小，中，大。实验表明，技术的结构准确性并不一定与推理任务的更高准确性相关。此外，在具有大量变量的数据集的情况下，调查的结构学习算法在结构准确性方面表现不佳。
2017-09-12 cs.AI stat.ML
Causal discovery in heavy-tailed linear structural equation models via scalings
针对带正则变化噪声的重尾线性结构方程模型，提出基于极值角测度尺度参数的因果发现算法，证明一致性并在模拟与河流流量数据上验证其竞争力。
2025-02-19 stat.ME
Consistent Bayesian causal discovery for structural equation models with equal error variances
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；Texas A&M University（德克萨斯农工大学）
本文提出一种贝叶斯DAG选择方法，在假设高斯SEM和相等误差方差的情况下，利用关键性质证明该方法在无需额外分布假设下一致恢复真实图结构。
2026-03-23 math.ST stat.ME stat.ML
Causal Inference on Process Graphs, Part I: The Structural Equation Process Representation
本研究将含潜在分量的递归SVAR过程重构为过程图上的线性过程SCM，推广路径与迹规则，推导频域因果效应表达式并给出识别准则与恢复方法。
2024-08-16 math.ST stat.ME stat.TH
A Criterion for Parameter Identification in Structural Equation Models
Iowa State University（爱荷华州立大学）
本文研究递归线性结构方程模型中直接因果效应的识别问题。本文建立了一个识别个体因果效应的充分准则，并提供了一个根据观测协方差阵计算已识别因果效应的程序。
2012-06-20 cs.AI stat.ME
Conducting Simulations in Causal Inference with Networks-Based Structural Equation Models
在过去的十年里，越来越多的文献致力于估计网络依赖数据中的因果效应。然而，许多经典统计方法在此类数据中的有效性经常受到质疑。现在需要客观和实际的方法来评估哪些因果方法可能适用于依赖网络的数据。本文介绍了一套工具，实现了simparseal R包，允许模拟数据的基础上，用户指定的结构方程模型的连接单元。针对静态、动态和随机干预实施反事实数据的规范和模拟。一个新的接口旨在简化连接单元之间基于网络的功能关系的规范。一组例子说明了如何将这些模拟应用于评估不同的统计方法，以估计网络相关数据中的因果效应。
2017-05-29 stat.AP stat.CO
A Structural Causal Model for Electronic Device Reliability: From Effects to Counterfactuals
本文提出参数化结构因果模型，利用观测和实验数据估计电子设备失效的因果效应与反事实，应对删失数据，并用合成数据验证。
2025-06-23 stat.AP
Automatic Debiased Machine Learning of Causal and Structural Effects
许多因果和结构效应依赖于回归。例子包括政策效应、平均衍生工具、回归分解、平均治疗效应、因果中介和经济结构模型的参数。回归可能是高维的，这使得机器学习很有用。将机器学习器插入到识别方程中可能会导致由于正则化和/或模型选择的偏差而导致的不良推断。本文给出了线性和非线性回归函数的自动去偏方法。在使用Lasso和感兴趣的函数时，去偏置是自动的，而不需要完整形式的偏置校正。去偏可以应用于任何回归学习器，包括神经网络，随机森林，Lasso，boosting和其他高维方法。除了提供的偏差校正，我们给出了标准误差，是强大的误设定，收敛速度的偏差校正，和原始条件的渐近推断估计的各种估计的结构和因果关系的影响。自动去偏机器学习用于估计新南威尔士州工作培训数据对接受治疗者的平均治疗效果，并根据尼尔森扫描仪数据估计需求弹性，同时允许偏好与价格和收入相关。
2022-10-21 econ.EM math.ST stat.TH
Towards causality-aware predictions in static anticausal machine learning tasks: the linear structural causal model case
我们提出了一种反事实的方法来训练"因果感知”预测模型，该模型能够在静态反因果机器学习任务（即，预测任务，其中结果影响特征）。在受混杂困扰的应用中，该方法可用于生成不受观察到的混杂因素影响的预测。在涉及观察到的介质的应用中，该方法可以用于生成仅捕获直接或间接因果影响的预测。机械地，我们训练监督学习者（反事实）模拟功能，只保留感兴趣的因果关系产生的关联。我们专注于线性模型，其中连接协方差，因果效应和预测均方误差的分析结果是现成的。相当重要的是，我们表明，我们的方法不需要知识的完整的因果图。只要知道哪些变量代表潜在的混杂因素和/或介质就足够了。我们讨论了该方法的稳定性相对于选择偏差产生的数据集移位，并使用合成数据实验验证该方法。
2020-11-30 stat.AP
Identification of Causal Diffusion Effects Under Structural Stationarity
虽然社会和生物医学科学家长期以来一直对思想和行为传播的过程感兴趣，但因果扩散效应（也称为同伴效应和传染效应）的识别仍然具有挑战性。由于语境混杂和同质性偏见的存在，许多学者认为常用的无遗漏混杂因素假设是不成立的。为了解决这个长期存在的问题，我们研究的因果识别下的一个新的假设结构平稳，形式化的基本扩散过程与一类动态因果有向无环图。首先，我们开发了一个统计测试，可以检测到广泛的偏见，包括上述两种类型。然后，我们提出了一个差异中的差异风格的估计，可以直接纠正偏差下一个额外的参数假设。利用所提出的方法，我们研究了德国对难民的仇恨犯罪的空间扩散。在纠正了现有研究中的大的向上偏差之后，我们发现仇恨犯罪只扩散到辍学率高的地区。
2020-01-27 stat.ME
Structural Hawkes Processes for Learning Causal Structure from Discrete-Time Event Sequences
Guangdong University of Technology（广东工业大学）；Peng Cheng Laboratory（鹏城实验室）；Huawei Noah’s Ark Lab, Huawei（华为诺亚方舟实验室）；Shantou University（汕头大学）
本文提出结构霍克斯过程（SHPs），利用瞬时效应学习离散时间事件序列中事件类型的因果结构，通过似然最小化-最大化与稀疏优化，证明瞬时效应下因果结构可识别，实验验证有效。
2023-05-10 cs.AI cs.LG stat.ME
SCMD: A Kernel-Based Distance for Structural Causal Models to Quantify Transferability Across Environments
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 Dantzig: fast inference in linear structural equation models with hidden variables under additive interventions
当只有观测数据可用时，因果推断是非常具有挑战性的。随机化实验通常是昂贵和不切实际的，在工具变量回归中，工具的数量必须超过因果预测因子的数量。最近Peters等人[2016]表明，当来自不同观测环境的数据可用时，完整模型的因果推断是可能的，利用响应变量的条件分布在正确的因果模型下是不变的。这种方法的两个缺点是大规模数据的高计算量和假设没有隐藏的混杂因素。在这里，我们表明，这两个缺点可以得到解决，如果一个人愿意作出更严格的假设类型的干预，产生不同的环境。因此，我们来看看一个不同的不变性概念，即内积不变性。通过避免Peters等人[2016]中计算繁琐的逆向工程方法，它允许在线性结构方程模型中进行大规模因果推断。我们讨论了因果参数的可识别性条件，并在低维环境中推导出渐近置信区间。在不可识别的情况下，我们证明了因果Dantzig的解集在某些干预下具有预测保证。我们推导出有限样本的界限，在高维设置和模拟数据集上研究其性能。
2018-06-15 stat.ME
Causal Structural Learning Via Local Graphs
我们考虑在稀疏高维环境中学习因果结构的问题，这种环境可能会受到（可能有许多）不可测量的混杂因素以及选择偏差的影响。基于常见的大型随机网络族中的结构和线性结构方程模型（SEM）中局部结构的表示，我们提出了一种新的局部稀疏性概念，用于存在潜在变量和选择变量的一致性结构学习，并开发了一种新版本的快速因果推断（FCI）算法，该算法具有降低的计算和样本复杂度，我们将其称为本地FCI（IFCI）。稀疏性的新概念允许存在高度连接的枢纽节点，这在现实世界的网络中很常见，但对现有的方法有问题。我们的数值实验表明，lFCI算法实现了最先进的性能在许多类的大型随机网络，其性能优于现有的方法包含枢纽节点的网络。
2021-10-01 stat.ME
Integration of Structural Equation Modeling and Bayesian Networks in the Context of Causal Inference: A Case Study on Personal Positive Youth Development
本研究重新审视了因果推断中结构方程模型（SEM）与贝叶斯网络建模（BNM）的结合，通过积极青少年发展案例评估两者优劣，最终确立SEM在探索性因果分析中的首要地位并认可BNM在后续阶段的潜力。
2024-07-26 stat.ME
Efficient Identification in Linear Structural Causal Models with Instrumental Cutsets
Purdue University（普渡大学）；Brex Inc.（Brex公司）；Columbia University（哥伦比亚大学）
在进行数据分析时，最常见的错误之一是将因果意义归因于回归系数。从形式上讲，只有当一个因果效应可以从观测数据和所研究领域的结构知识中识别出来时，才能计算出它（Pearl，2000，第5章）。建立在文献的工具变量（IV），大量的方法已被开发出来，以确定线性系统中的因果效应。然而，几乎无一例外地，最强大的这种方法依赖于指数时间的程序。在本文中，我们调查的图形条件，使有效的识别在任意线性结构因果模型（SCM）。特别是，我们开发了一种方法来有效地找到无条件的工具子集，这是IVs的推广，可用于驯服的复杂性，在文献中发现的许多典型的算法。此外，我们证明，确定是否可以用TSID识别效果（Weihs等人，2017），一种比无条件工具集和其他有效识别算法更强大的方法，是NP完全的。最后，建立在流约束的思想，我们引入了一个新的和有效的标准，称为工具割集（IC），这是能够解决所有其他现有的多项式时间算法错过的参数。
2019-10-29 cs.AI stat.ME
