Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge
Massachusetts Institute of Technology（麻省理工学院）；Google Research India（谷歌印度研究院）；Purdue University（普渡大学）
本文提出在有限图知识下，利用可检验的条件独立性陈述实现类似前门调整的因果效应估计，适用于马尔可夫等价类不足的场景，并在随机图和因果公平基准上验证了有效性。
2023-06-19 cs.LG stat.ME stat.ML
Adjustment Identification Distance: A gadjid for Causal Structure Learning
School of Mathematics and Statistics, University College Dublin（都柏林大学学院数学与统计学院）；Pioneer Centre for AI, University of Copenhagen（哥本哈根大学人工智能先锋中心）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
针对现有图差异评估指标无法反映因果效应识别差异的问题，研究提出构建因果距离的框架，基于此开发调整类距离及扩展，设计高效算法并在gadjid包中实现，速度更快且适配更大规模图。
2024-07-11 cs.LG stat.ME stat.ML
Separators and Adjustment Sets in Causal Graphs: Complete Criteria and an Algorithmic Framework
Radboud University Nijmegen（拉德堡德大学（奈梅亨））
从非实验数据中对因果效应的可识别性进行原则性推理是图因果模型的一个重要应用。本文重点讨论的影响，可识别的协变量调整，一种常用的估计方法。我们提出了一个算法框架，有效地测试，构建和枚举$m$ -分离器的祖先图（AG），一类图形因果模型，可以表示潜在的混淆因素的存在的不确定性。此外，我们证明了减少因果效应识别协变量调整$m$ -分离的子图的有向无环图（DAG）和最大祖先图（MAG）。联合起来，这些结果产生建设性的标准，其特征在于所有的调整集以及所有的最小和最小的调整集，用于识别所需的因果效应与多变量暴露和潜在的混淆的存在下的结果。我们的研究结果扩展了这些问题的特殊情况下，现有的几个解决方案。我们的高效算法使我们能够经验性地量化协变量调整和随机DAG和MAG中的do-calculus之间的可识别性差距，涵盖了广泛的场景。我们的算法的实现在R包dagitty中提供。
2019-01-24 cs.AI cs.LG
Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data
Paris-Saclay University, CentraleSupélec, MICS Lab（巴黎-萨克雷大学，中央超导实验室，MICS实验室）
本文提出因果动态变分自编码器（CDVAE），通过建模未观测调整变量来估计纵向数据中的条件平均处理效应，并在理论和实验上证明其能显著提升现有模型的CATE估计性能。
2025-11-10 cs.LG stat.ML
Efficient adjustment sets for population average treatment effect estimation in non-parametric causal graphical models
Universidad Torcuato Di Tella（托尔夸托·迪·特利亚大学）；CONICET（阿根廷国家科学与技术研究理事会）；Harvard T. H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
在观察性研究中，常采用协变量调整法估计群体平均治疗效应。从假定的因果图模型确定所有有效协变量调整集的图形规则是众所周知的。限制注意因果线性模型，最近的一篇文章推导出两个新的图形标准：一个是比较控制某些不同的调整集的线性回归治疗效果估计量的渐近方差，另一个是确定最佳调整集，该调整集产生最小二乘治疗效果估计量，在一致的调整最小二乘估计量中具有最小的渐近方差。在本文中，我们表明，相同的图形标准可以用于非参数因果图形模型时，治疗效果估计的对比，涉及非参数调整估计的干预手段。我们还提供了一个图形的标准来确定最佳调整集之间的最小调整集，这是有效的线性和非参数估计。我们提供了一个新的图形标准，比较不定常调整集，即，由协变量，调整为未来的治疗，本身受到早期治疗的影响。我们通过例子表明，一致最优的不定常调整集并不总是存在。此外，对于点干预，我们提供了一个健全的和完整的图形标准，用于确定当一个非参数的最佳调整估计的干预手段，或干预手段的对比度，是一样有效的，利用信息的条件独立编码的非参数因果图模型的相同参数的有效估计。
2019-12-16 cs.LG math.ST stat.ML
Covariate adjustment in randomization-based causal inference for 2K factorial designs
本文建立了2K析因设计中基于随机化的因果推断中协变量调整的有限总体渐近理论。特别是，我们证实了因子效应的未调整和协变量调整估计量都是渐近正态的，并且后者比前者更精确。
2016-07-12 stat.ME
Probably approximately correct high-dimensional causal effect estimation given a valid adjustment set
从PAC学习角度研究高维有效调整集下的协变量调整，提出$\eps$-马尔可夫毯及更小调整集的发现算法并给出样本复杂度上界，证明无需完美恢复因果结构即可准确估计因果效应。
2024-11-12 math.ST stat.ML stat.TH
Differentiable Causal Backdoor Discovery
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦图灵研究所）；University College London（伦敦大学学院）
发现决策的因果效应对几乎所有形式的决策都至关重要。特别是，它是药物开发、制定政府政策以及实施真实世界机器学习系统的关键数量。由于只有观察数据，混杂因素往往掩盖了真正的因果关系。幸运的是，在某些情况下，通过使用某些观察变量来调整混杂因素的影响，可以恢复因果效应。然而，如果没有真正的因果模型，找到这种调整需要蛮力搜索。在这项工作中，我们提出了一种算法，利用辅助变量，类似于仪器，以找到一个适当的调整，基于梯度的优化方法。我们证明，它优于实际的替代品，在估计真正的因果关系的影响，没有知识的完整的因果图。
2020-03-03 cs.LG stat.ML
Finite sample-optimal adjustment sets in linear Gaussian causal models
本文研究线性高斯因果模型中的有限样本协变量调整问题，提出 MSE-optimal adjustment set 及样本量与图形准则，证明其在小样本下可优于渐近最优调整集。
2025-06-15 math.ST stat.ME stat.TH
On Efficient Adjustment for Micro Causal Effects in Summary Causal Graphs
INSERM（法国国家健康与医学研究院）
本文提出在总结因果图中更简单有效的调整方法，以识别更广泛的因果效应调整集，并优化因果效应估计的方差。
2025-12-23 cs.AI stat.ME
COMPACT: Spectral Adjustment Scores from a Complete and Irreducible Causal Criterion
University of Pittsburgh（匹兹堡大学）
COMPACT算法通过完全不可约因果准则的谱调整分数，解决观测数据因果效应估计的变量选择问题，经模拟和真实数据验证，性能优于多种替代方法。
2026-08-12 stat.ME stat.ML
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
Adjustment formulas for learning causal steady-state models from closed-loop operational data
Norwegian University of Science and Technology（挪威科技大学）；Solution Seeker AS（Solution Seeker公司）
从历史操作数据中学习的稳态模型可能不适合基于模型的优化，除非考虑到由控制引入的训练数据中的相关性。使用最近的结构动态因果模型的工作成果，我们推导出一个公式，用于调整此控制混淆，使因果稳态模型的估计，从闭环稳态数据。该公式假定可用的数据是在某个固定的控制律下收集的。它通过估计和考虑控制器试图抵消的干扰来工作，并且能够从前馈和反馈控制下收集的数据中学习。
2022-11-10 cs.LG cs.SY eess.SY
Graphical Criteria for Efficient Total Effect Estimation via Adjustment in Causal Linear Models
协变量调整是总因果效应估计的一种常用方法。近年来，已开发出图形标准来识别所有有效的调整集，即所有可用于此目的的协变量集。不同的有效调整集通常提供不同精度的总效应估计。限制我们自己的因果线性模型，我们引入了一个图形的标准来比较的渐近方差提供某些有效的调整集。我们采用这个结果来开发两个进一步的图形工具。首先，我们介绍了一个简单的方差减少修剪过程中的任何给定的有效调整集。其次，我们给出了一个有效的调整集，提供所有有效的调整集之间的最佳渐近方差的图形特征。我们的结果只依赖于图形结构，而不是特定的误差方差或边缘系数的潜在因果线性模型。它们可以应用于有向无圈图（DAG）、完全部分有向无圈图（CPDAG）和最大定向部分有向无圈图（极大PDAG）。我们提出了模拟和一个真实的数据例子来支持我们的结果，并显示其实用性。
2020-12-12 math.ST stat.TH
On efficient adjustment in causal graphs
我们考虑通过协变量调整从观察数据估计总的因果效应。理想情况下，调整集是根据给定的因果图选择的，反映了对潜在因果结构的了解。但是，有效的调整集不是唯一的。最近的研究介绍了一个图形标准的“最佳”有效调整集（O集）。对于一个给定的图，调整的O-集产生最小的渐近方差相比，其他调整集在某些参数和非参数模型。本文给出了O-集的三个新结果。首先，我们给出了一个新的，更直观的图形特征：我们证明了O-集是一个合适的潜在投影图，我们称之为禁止投影的结果节点（S）的父集。一个重要的属性是，禁止投影通过协变量调整保留了与总因果效应估计相关的所有信息，使其本身成为一个有用的方法工具。其次，我们扩展了现有的IDA算法使用O-集，并认为该算法仍然是半局部的。这在R包pcalg中实现。第三，我们提出的假设下，O-集可以被视为流行的非图形变量选择算法，如逐步向后选择的目标集。
2020-12-22 math.ST stat.TH
On the Validity of Covariate Adjustment for Estimating Causal Effects
Harvard School of Public Health（哈佛公共卫生学院）
从观察数据和因果假设中识别行为（治疗）对结果变量的影响是因果推断中的一个基本问题。由于存在可能与治疗和结局变量相关的混杂因素，这种识别变得困难。在理论和实践中，混杂因素通常通过调整协变量来处理，换句话说，考虑以治疗和协变量值为条件的结局，通过观察这些协变量值的概率进行加权。本文给出了协变量调整的一个完备的图形准则，我们称之为调整准则，并由此准则的完备性得到了一些有趣的推论。
2012-03-15 cs.AI stat.ME
Causality and Robust Optimization
NEC corporation（日本电气股份有限公司）
决策者在尝试应用机器学习预测时必须考虑共发现偏差，而特征选择被广泛认为是数据分析中的重要过程，它可能会导致共发现偏差。因果贝叶斯网络是描述因果关系的标准工具，如果关系是已知的，那么调整标准可以确定哪些特征共同发现偏差消失。因此，标准的修改将利用因果发现算法来防止特征选择中的共同发现偏差。然而，因果发现算法基本上依赖于忠实性假设，这在实际的特征选择设置中很容易被违反。在本文中，我们提出了一个元算法，可以弥补现有的特征选择算法的共同发现的偏见。我们的算法是从一个新的调整标准，需要而不是忠实，一个假设，可以从另一个众所周知的因果充分性假设诱导。我们进一步证明了通过我们的修改添加的功能将共同发现偏差转换为预测方差。借助现有的鲁棒优化技术，正则化高方差的风险策略，然后，我们能够成功地提高决策优化的吞吐量性能，如我们的实验结果所示。
2020-02-28 cs.LG stat.ML
Conditional Adjustment in a Markov Equivalence Class
该研究针对因果图为MPDAG或PAG代表的马尔可夫等价类的场景，提出条件调整判据这一充要图准则，并给出满足该判据的显式调整集，用于识别条件因果效应。
2024-03-11 stat.ME
Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Lehigh University（利哈伊大学）
针对分布偏移下保形预测覆盖失效问题，利用累积密度函数与Wasserstein距离界定覆盖差异上界，并提出物理信息结构因果模型（PI-SCM）降低该上界，有效提升了多任务下的覆盖鲁棒性。
2024-03-22 cs.LG stat.ML
Practically Effective Adjustment Variable Selection in Causal Inference
Sony Corporation of America（美国索尼公司）；Sony Computer Science Laboratories, Inc.（索尼计算机科学实验室股份公司）
本文针对有限数据下因果效应估计中调整变量选择问题，提出变量选择准则与防精度下降算法，并将其推广至CPDAG，通过定理和实验验证了方法的实用有效性。
2025-02-04 cs.AI cs.LG physics.data-an
Learning Adjustment Sets from Observational and Limited Experimental Data
University of Pittsburgh（匹兹堡大学）
由于混杂因素，从观察数据中估计因果效应并不总是可能的。确定一组适当的协变量（调整集）并调整其影响可以消除混杂偏倚;但是，通常无法仅从观察数据中确定此类集。实验数据没有混杂偏倚，但通常受样本量的限制，因此可能产生不精确的估计值。此外，实验数据通常包括有限的协变量集，因此对潜在系统的因果结构提供有限的见解。在这项工作中，我们介绍了一种方法，结合大型观测和有限的实验数据，以确定调整集，提高因果效应的估计。该方法通过计算实验数据的边际似然来识别调整集（如果可能的话），给出潜在调整集的观测导出的先验概率。通过这种方式，该方法可以做出仅使用所有观察和实验数据中的条件依赖性和独立性是不可能的推断。我们表明，该方法成功地识别调整集，提高了因果效应估计模拟数据，它有时可以作出额外的推论相比，最先进的方法相结合的实验和观测数据。
2020-11-17 cs.LG stat.ME
An exhaustive selection of sufficient adjustment sets for causal inference
针对因果推断中充分调整集的检测需求，提出一类无结果模型参数假设的通用穷举方法，可助力效应估计与因果关联发掘，并通过模拟及真实数据验证了有效性。
2024-08-18 stat.ME
Efficient adjustment sets for time-dependent treatment effect estimation in nonparametric causal graphical model
本研究针对时间依赖处理场景下现有图形规则无法仅靠因果图识别最优调整集的问题，挖掘图中条件独立性拓展相关结果，可得到渐近方差更低的估计量，实现仅基于有向无环图的最优调整集识别。
2025-10-03 math.ST stat.TH
A Knowledge-Informed Pretrained Model for Causal Discovery
Renmin University of China（中国人民大学）；Tsinghua University（清华大学）；Zhejiang University（浙江大学）
本文提出一种整合弱先验知识的因果发现预训练模型，通过双源编码器-解码器架构和多样预训练数据集，提升模型在不同先验强度下的适应能力，实验显示在分布内、分布外及现实数据集上均优于现有基线。
2026-03-21 cs.LG
On High Dimensional Covariate Adjustment for Estimating Causal Effects in Randomized Trials with Survival Outcomes
这项工作的目的是提高效率，估计平均因果效应（ACE）的生存规模存在右删失和高维协变量信息。我们提出了新的估计使用正则化生存回归和生存随机森林（SRF），使调整高维协变量，以提高效率。我们研究了调整后的估计量在温和的假设下的行为，并从理论上保证了所提出的估计量在使用SRF进行调整时比未调整的估计量更有效。此外，这些调整后的估计量是$\sqrt{n}$ -一致的和渐近正态分布。通过仿真研究了该方法的有限样本行为，其结果与理论结果一致。我们还通过分析移植研究的真实数据来说明我们的方法，以确定相同同胞供体与不相关供体相比的相对有效性，并调整细胞遗传学异常。
2021-06-25 stat.ME
A Complete Generalized Adjustment Criterion
协变量调整是一种广泛使用的方法来估计总的因果关系的观察数据。近年来已经开发了几个图形标准，以确定有效的协变量调整图形因果模型。这些标准可以处理多个原因，潜在的混淆，或因果结构的部分知识;然而，它们的多样性是令人困惑的，其中一些只是足够的，但不是必要的。在本文中，我们提出了一个标准，是必要的和充分的四个不同类别的图形因果模型：有向无圈图（DAG），最大祖先图（MAG），完成部分有向无圈图（CPDAG），部分祖先图（PAG）。我们的标准包括现有的，并以这种方式统一调整集建设一个大的一组图类。
2015-07-06 math.ST stat.TH
Observationally Informed Adaptive Causal Experimental Design
Australian Institute for Machine Learning, Adelaide University（阿德莱德大学澳大利亚机器学习研究所）；Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；University College London（伦敦大学学院）；The University of Sydney（悉尼大学）；The University of Melbourne（墨尔本大学）；Peking University（北京大学）
本文提出R-Design框架，通过主动残差学习提升因果推断效率，实验表明修复偏模型比从头学习更高效。
2026-03-04 cs.LG stat.ML
Technical Report: Facilitating the Adoption of Causal Inference Methods Through LLM-Empowered Co-Pilot
University of Cambridge（剑桥大学）；AstraZeneca（阿斯利康）
本文提出开源系统CATE-B，利用LLM在智能体框架内引导用户完成端到端的处理效应估计，通过因果发现、最小不确定性调整集准则和回归方法选择降低因果分析门槛，并发布多领域基准任务。
2025-08-14 cs.LG
Linear-Time Algorithms for Front-Door Adjustment in Causal Graphs
针对因果图中前门调整集合查找算法复杂度高的问题，本文提出了首个线性时间的前门集合查找、最小集合查找及枚举算法，达到渐近最优复杂度，并通过多语言实现和实验验证了可行性。
2024-01-26 cs.AI cs.DS cs.LG
Causal inference under mis-specification: adjustment based on the propensity score
我们通过倾向得分回归研究了贝叶斯因果推断方法。大部分关于倾向得分方法的贝叶斯文献都依赖于在传统的“似然时间先验”后验推断的背景下不能被视为完全贝叶斯的方法;此外，大多数方法依赖于参数和分布假设，以及假定的正确规范。我们强调，因果推断通常是在设置错误的规格，并制定战略，充分贝叶斯推断，反映这一点。我们专注于决策理论的参数的基础上的方法，并展示如何推断损失最小化的基础上，可以得到有效的和充分的贝叶斯推断。我们提出了一种计算方法的基础上的贝叶斯自助具有良好的贝叶斯和频率属性的推断。
2022-01-30 stat.ME
Causal Estimation for Text Data with (Apparent) Overlap Violations
The University of Chicago（芝加哥大学）；Google Research（谷歌研究院）
考虑一下估计文本文档的某些属性的因果效应的问题;例如：写一封礼貌的电子邮件与写一封粗鲁的电子邮件对响应时间有什么影响？为了从观察数据中估计因果关系，我们需要调整影响治疗和结果的文本混淆方面-例如，文章的主题或写作水平。这些混淆的方面是先验未知的，因此对整个文本进行调整似乎是很自然的（例如，使用Transformer）。然而，因果识别和估计程序依赖于重叠的假设：对于所有水平的调整变量，存在随机性剩余，因此每个单元都可以（不）接受治疗。由于这里的处理本身就是文本的一个属性，它是完全确定的，显然违反了重叠。本文的目的是展示如何处理因果识别，并获得强大的因果估计存在明显的重叠违规。简而言之，我们的想法是使用监督表示学习来产生一种数据表示，该数据表示保留了混淆信息，同时消除了仅预测治疗的信息。这样，这种表示就足以进行平差，并且可以满足重叠。适应非参数估计的结果，我们发现，这个过程是强大的条件结果误估计，在弱条件下产生有效的不确定性量化的低偏差估计。实证结果表明，相对于自然基线的偏差和不确定性量化有很大的改善。
2023-02-07 cs.LG stat.ML
Integrating Earth Observation Data into Causal Inference: Challenges and Opportunities
University of Texas at Austin（德克萨斯大学奥斯汀分校）；Chalmers University of Technology（查尔姆斯理工大学）；Linköping University（林雪平大学）
观察性研究需要调整与治疗和结局相关的混杂因素。在观察到的变量是表格中的数量，如在一个街区的平均收入的设置，工具已经开发解决这种混淆。然而，在发展中世界的许多地方，有关当地社区的专题可能很少。在这方面，卫星图像可以发挥重要作用，作为否则无法观测到的混淆变量的代理。在本文中，我们研究了在这种非表格设置，在卫星图像中发现的模式或对象的混杂偏差的混杂调整。使用在非洲的反贫困援助计划的评估作为我们运行的例子，我们正式执行因果调整与这种非结构化的数据的挑战-什么条件是足以确定因果关系的影响，如何进行估计，以及如何量化的方式，其中某些方面的非结构化图像对象是最预测的治疗决策。通过模拟，我们还探讨了基于卫星图像的观测推断的灵敏度图像分辨率和误指定的图像相关的混淆。最后，我们将这些工具应用于从卫星图像中估计非洲社区反贫困干预措施的效果。
2023-01-30 cs.LG stat.AP stat.ML
Score-informed Neural Operator for Enhancing Ordering-based Causal Discovery
LG AI Research（LG人工智能研究院）；Korea University（高丽大学）
本文提出基于分数的神经算子（SciNO），通过稳定近似 Hessian 对角改进基于排序的因果发现，显著降低顺序发散度，并集成自回归先验增强大语言模型因果推理。
2025-10-27 cs.AI cs.LG
SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）
针对多变量因果发现计算需求高的问题，提出SNAP框架序贯剪枝目标的确定非祖先，可作为预处理或独立算法，大幅减少计算量与检验次数，且不影响因果效应估计质量。
2025-02-11 cs.AI cs.LG 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
Adapting Text Embeddings for Causal Inference
Columbia University（哥伦比亚大学）
在论文中增加一个定理会影响它被接受的机会吗？用作者的性别标记帖子会影响帖子的受欢迎程度吗？本文开发了一种方法来估计这样的因果关系的观察文本数据，调整的文本，如主题或写作质量的混淆功能。我们假设，文本足以进行因果调整，但在实践中，它是令人望而却步的高维。为了解决这一挑战，我们开发了因果充分的嵌入，低维的文档表示，保留足够的信息，因果识别，并允许有效的估计因果关系的影响。因果充分嵌入结合了两个概念。第一种是监督降维：因果调整只需要预测治疗和结果的文本方面。第二个是有效的语言建模：文本的表示被设计为处理语言上不相关的信息，并且这些信息也是因果上不相关的。我们的方法适应语言模型（特别是词嵌入和主题模型）来学习能够预测治疗和结果的文档嵌入。我们研究了因果充分嵌入与半合成数据集，并发现它们改善了相关嵌入方法的因果估计。我们通过回答两个激励问题来说明方法--定理对论文接受度的影响和性别标签对帖子流行度的影响。代码和数据可在https：//github.com/vveitch/cause-text-embeddings-tf2}{github.com/vveitch/cause-text-embeddings-tf2
2020-07-25 cs.CL cs.LG stat.ML
Causally-informed Deep Learning towards Explainable and Generalizable Outcomes Prediction in Critical Care
Tsinghua University（清华大学）；Institute of Brain and Cognitive Sciences, Tsinghua University（清华大学脑与认知科学研究院）；Chinese PLA General Hospital（中国人民解放军总医院）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
本文提出一种基于因果发现的深度学习早期预警模型，通过识别预测背后的因果关系提升可解释性和跨环境泛化能力，在6种危重恶化结局上优于基线算法，并提供因果路径辅助临床诊断与干预。
2025-02-04 cs.AI cs.LG
Design-Based Causal Inference with Missing Outcomes: Missingness Mechanisms, Imputation-Assisted Randomization Tests, and Covariate Adjustment
针对基于设计因果推断中的结果缺失问题，提出灵活缺失机制与“插补与再插补”框架，实现精确随机化检验、协变量调整及置信区间构建，并经模拟和大规模实验验证。
2025-05-24 stat.ME
Causal Inference under Interference: Regression Adjustment and Optimality
针对网络干扰下的因果效应估计，本文提出线性与非参数回归调整估计量，证明其渐近正态性和方差最小最优性，并通过模拟与真实数据验证性能。
2025-02-17 stat.ME
A Kernel Test for Causal Association via Noise Contrastive Backdoor Adjustment
针对大量混杂因素下的因果推断，提出非参数方法 backdoor-HSIC 检验 do-null 假设，证明其校准性与功效，并探讨其相对于参数检验及边际/条件独立性检验的优劣。
2024-06-02 stat.ME stat.ML
Causal Effect Estimation with Variational AutoEncoder and the Front Door Criterion
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
针对未观测混杂与中介变量并存时的因果效应估计难题，提出 FDVAE，用变分自编码器学习前门调整集表征，并在合成与真实数据集上验证其优越性能。
2023-04-24 cs.LG stat.ME
Data-Driven Adjustment for Multiple Treatments
针对非实验场景下因果效应识别的调整集寻找需已知因果图的问题，本文提出两种直接基于数据依赖/独立关系的方法，拓展了c-等价相关研究并给出多处理下调整集的充分寻找准则。
2025-08-01 stat.ME
Necessary and sufficient graphical conditions for optimal adjustment sets in causal graphical models with hidden variables
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）；Technische Universität Berlin（柏林工业大学）
本文针对含隐变量的因果图模型，提出以最大化调整信息刻画最优性，给出最优调整集存在且有效的必要充分图条件及构造算法，并证明其渐近方差最优，实验验证了其广泛适用性。
2023-06-23 cs.IT cs.LG math.IT
Recovery and inference of causal effects with sequential adjustment for confounding and attrition
University of Oslo（奥斯陆大学）；Norwegian Institute of Public Health（挪威公共卫生研究所）
本文提出SAC方法，通过序列回归调整混杂和流失因素，利用TMLE估计ATE，验证了其在不同图结构和模型设定下的有效性，应用实例显示药物治疗对ADHD患者学业成绩有小幅积极影响。
2025-03-24 stat.ME
Comparing Covariate Prioritization via Matching to Machine Learning Methods for Causal Inference using Five Empirical Applications
当研究者试图估计因果效应时，他们通常假设治疗选择仅基于观察到的协变量。在这种识别策略下，分析人员必须对观察到的混杂因素进行调整。虽然基本回归模型长期以来一直是统计调整的主要方法，但基于匹配或加权的更稳健方法已变得更加普遍。最近，已经开发了基于机器学习方法的更灵活的方法用于统计调整。这些机器学习方法被设计成黑盒方法，几乎没有研究人员的输入。最近的研究使用数据竞争来评估各种统计调整方法，发现黑箱方法优于所有其他统计调整方法。与black方法相比，协变量优先级匹配方法的设计是针对实质性研究者的直接输入。在这篇文章中，我们使用不同的研究设计来比较匹配协变量优先黑盒方法。我们使用黑盒方法复制五项研究的结果，其中协变量优先级匹配用于定制统计调整，直接响应实质性的专业知识。我们发现这些方法之间的差异很小。最后，我们向调查人员提出建议。
2019-01-08 stat.AP
Respecting causality is all you need for training physics-informed neural networks
University of Pennsylvania（宾夕法尼亚大学）
虽然物理信息神经网络（PINN）的流行度正在稳步上升，但迄今为止，PINN还没有成功地模拟其解表现出多尺度、混沌或湍流行为的动力系统。在这项工作中，我们将这一缺点归因于现有的PINNs配方无法尊重物理系统演化所固有的时空因果结构。我们认为，这是一个根本的限制和错误的关键来源，最终可以引导PINN模型收敛到错误的解决方案。我们通过提出一个简单的PINN损失函数的重新表述来解决这种病理学，该函数可以在模型训练期间明确地解释物理因果关系。我们证明，这种简单的修改本身就足以引入显着的精度提高，以及一个实用的定量机制，用于评估PINNs模型的收敛性。我们提供了一系列现有PINNs公式失败的基准的最先进的数值结果，包括混沌Lorenz系统，在混沌状态下的Kuramoto-Sivashinsky方程，以及在湍流状态下的Navier-Stokes方程。据我们所知，这是第一次，PINN已经成功地模拟这样的系统，介绍了新的机会，其适用性的问题，工业复杂性。
2022-03-14 cs.LG cs.NA math.NA
Outcome-Informed Weighting for Robust ATE Estimation
针对高维场景下重叠不足削弱IPW类估计量稳健性的问题，提出结果信息加权的AMR估计量与无需强先验的事后校准框架，在多场景实验中验证了其效率与稳健性优势。
2025-03-20 stat.ME
Local search for efficient causal effect estimation
从观测数据中估计因果关系是一个具有挑战性的问题，特别是在高维数据和存在未观测变量的情况下。现有的数据驱动的方法来解决这个问题，要么提供一个因果效应的边界估计（即非唯一估计）或具有低效率。在协变量空间巨大且考虑未观测变量的情况下，如何快速找到合适的混杂控制调整集是获得唯一无偏因果效应估计的主要障碍。在本文中，我们接近的问题作为一个本地搜索任务，找到有效的调整数据集。我们建立的定理，以支持调整集的局部搜索，我们表明，唯一的和无偏的估计可以从观测数据，即使存在未观测变量。然后，我们提出了一个数据驱动的算法，是快速和一致的温和的假设。我们还利用频繁模式挖掘方法，以进一步加快搜索因果效应估计的最小调整集。在广泛的合成数据集和真实数据集上进行的实验表明，该算法在准确性和时间效率方面都优于最先进的标准/估计器。
2022-07-22 stat.ME
Causal query in observational data with hidden variables
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
本文讨论了含隐变量观测数据的因果查询问题，目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下，寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应，对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而，现有的数据驱动的因果效应估计方法面临着一些主要的挑战，包括高维度数据的可扩展性差，由于全局因果结构学习算法使用的统计学而导致的估计精度低，以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中，我们开发了一个定理，使用本地搜索找到一个超集的调整（或混杂）变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理，我们提出了一个数据驱动的因果查询算法。实验表明，该算法比现有的数据驱动的隐变量因果效应估计方法更快，产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的，那些由国家的最先进的方法，使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
Graph Disentangle Causal Model: Enhancing Causal Inference in Networked Observational Data
Ant Group（蚂蚁集团）；Alibaba Group（阿里巴巴集团）；Zhejiang University（浙江大学）
针对网络化观测数据中隐藏混杂及调整因素与混杂因素混淆的问题，提出 GDC 框架，通过因果解耦、多图聚合和因果约束提升 ITE 估计效果。
2024-12-05 cs.IR cs.LG
A Neural Mean Embedding Approach for Back-door and Front-door Adjustment
Gatsby Unit（盖茨比单元）
我们认为，平均和反事实的治疗效果的估计，在两个设置：后门调整和前门调整。两种情况下的目标都是恢复治疗效果，而不接触隐藏的混杂因素。这一目标是通过首先估计所需结果变量的条件平均值（给定相关协变量）（“第一阶段”回归），然后将该函数的（条件）期望值作为“第二阶段”程序来实现的。我们建议直接使用第一阶段学习的输入特征的回归函数来计算这些条件期望，从而避免了采样或密度估计的需要。所有的函数和特征（特别是第二阶段的输出特征）都是从数据中自适应学习的神经网络，唯一的要求是第一阶段的最后一层应该是线性的。所提出的方法收敛到真正的因果参数，并优于最近的国家的最先进的方法具有挑战性的因果基准，包括涉及高维图像数据的设置。
2022-10-12 cs.LG stat.ME
A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting
The Ohio State University（俄亥俄州立大学）；John Glenn College of Public Affairs, The Ohio State University（俄亥俄州立大学约翰·格伦公共事务学院）
本研究提出CG-TCN模型，通过整合因果图与时序卷积网络提升零售电价预测的精度与可解释性，在俄亥俄州数据上的预测误差优于基准模型，可为电力市场相关决策提供支撑。
2026-08-28 cs.LG stat.AP
Choosing the Right Approach at the Right Time: A Comparative Analysis of Causal Effect Estimation using Confounder Adjustment and Instrumental Variables
本文在多种假设违背情形下解析比较了基于OLS的混杂调整与基于2SLS的工具变量方法在估计平均因果效应时的不一致性，并提出敏感性框架和实用准则，通过模拟及Card教育收益案例验证其指导价值。
2024-11-23 stat.ME
Confounding caused by causal-effect covariability
混淆严重损害了我们从观测数据中了解因果关系的能力。混杂可以定义为两个变量之间由于来自共同来源的输入（混杂因素）而产生的统计关联。例如，如果$Z\rightarrow Y$和$Z\rightarrow X$，则$X$和$Y$在统计上是相关的，即使两者之间没有因果关系。有几种方法可用于调整混杂因素，即消除或减少由于混杂因素导致的两个变量之间的关联。常见的调整技术包括对混杂因素进行分层分析，并将混杂因素作为协变量纳入回归模型。大多数调整依赖于这样的假设，即混杂因素对不同变量的因果影响不存在协变。例如，如果$Z$对$X$的因果效应和$Z$对$Y$的因果效应在观察单位之间共变，则在对$Z$进行校正后仍存在混杂效应。这种因果关系的协变性及其后果是本文的主题。因果效应协变性首先解释使用结构因果模型的框架。使用这个框架，很容易表明，因果关系的协变性通常会导致混淆，不能调整的标准方法。来自数据的证据表明，由因果效应协变引入的混杂可能是应用工作中的一个真正问题。
2018-05-15 stat.ME
