去噪扩散概率模型驱动的因果推断算法

doi:10.3969/j.issn.1006-2475.2025.11.015

计算机与现代化 ›› 2025, Vol. 0 ›› Issue (11): 119-126.doi: 10.3969/j.issn.1006-2475.2025.11.015

• 算法设计与分析 • 上一篇

去噪扩散概率模型驱动的因果推断算法

（河海大学数学学院，江苏南京 211100）

出版日期:2025-11-20 发布日期:2025-11-24
作者简介: 作者简介：张洪滔（2001—），男，山东滕州人，硕士研究生，研究方向:因果推断，深度生成式模型，E-mail: zht18763293829@163.com；通信作者:朱永忠（1968—），男，江西瑞昌人，教授，博士生导师，研究方向:数据科学，随机系统分析，数理统计的理论及应用研究，E-mail: yzzhu@hhu.edu.cn；张雨轩（2001—），女，河南南阳人，硕士研究生，研究方向:因果发现，表征学习，E-mail: 231362020009@hhu.edu.cn；夏世源（1998—），男，安徽合肥人，博士研究生，研究方向:因果发现，因果森林，E-mail:syxia@hhu.edu.cn。
基金资助:
基金项目：国家自然科学基金资助项目（71831006）

Causal Inference Algorithm Driven by Denoising Diffusion Probabilistic Model

（School of Mathematics， Hohai University， Nanjing 211100， China）

Online:2025-11-20 Published:2025-11-24

摘要/Abstract

摘要： 摘要：针对传统因果推断算法未考虑干预措施对结构因果模型的影响，处理高维复杂因果关系数据时存在推断偏差较大、稳定性较低等问题，结合去噪扩散概率模型提出一种新型的因果推断算法。首先，分析不同干预类型对结构因果模型和扩散模型的影响，提升算法的可解释性。然后，从理论上推断因果马尔可夫假设下模型的似然下界，构造了包含因果父代的扩散采样过程。最后，结合基于扩散的因果模型的变分结构，可以使本文算法同时从原始数据和干预数据中进行采样，并对干预数据进行反事实估计，从而简化模型的训练复杂度，增强模型的鲁棒性。与其他算法进行对比，模拟结果表明，在不同类型的结构因果模型假设下，本文算法采样的最大平均差异降低了10%~41%，反事实估计的均方误差降低了9%~63%。实证结果表明，本文算法采样的最大平均差异降低了11%，反事实估计的均方误差降低了5%。实验表明，本文算法可以有效处理复杂的数据结构和噪声分布，以及显著提升采样和反事实估计的准确性和稳定性。

关键词: 关键词：结构因果模型, 神经网络模型, 去噪扩散概率模型, 随机过程, 反事实推断, 变分推断

Abstract: Abstract：A new causal inference algorithm is proposed to address the limitations of traditional methods， which fail to account for the impact of interventions on structural causal models and suffer from large inference bias and low stability when handling high-dimensional， complex causal data. This algorithm integrates a denoising diffusion probabilistic model. First， it analyzes the effects of different types of interventions on both the structural causal model and the diffusion model to improve algorithm interpretability. Next， the likelihood lower bound of the model under the causal Markov assumption is theoretically derived， and a diffusion sampling process that includes causal parents is constructed. Finally， by combining the variational structure of the diffusion-based causal model， the algorithm can sample from both original and intervention data and perform counterfactual estimation， thus simplifying model training complexity and enhancing robustness. In comparison with other algorithms， simulation results show that under different structural causal model assumptions， the proposed algorithm reduces the maximum mean discrepancy by 10%~41% and the mean squared error of counterfactual estimation by 9%~63%. Empirical results indicate a reduction of 11% in the maximum mean discrepancy and 5% in the mean squared error of counterfactual estimation. Experiments demonstrate that this algorithm effectively handles complex data structures and noise distributions， significantly improving the accuracy and stability of both sampling and counterfactual estimation.

Key words: Key words: structural causal model, neural network model, denoising diffusion probability model, stochastic processes, counterfactual inference, variational inference

中图分类号:

中图分类号：TP311.5

张洪滔, 朱永忠, 张雨轩, 夏世源. 去噪扩散概率模型驱动的因果推断算法[J]. 计算机与现代化, 2025, 0(11): 119-126.

ZHANG Hongtao, ZHU Yongzhong, ZHANG Yuxuan, XIA Shiyuan. Causal Inference Algorithm Driven by Denoising Diffusion Probabilistic Model[J]. Computer and Modernization, 2025, 0(11): 119-126.

参考文献

［1］ PEARL J. Causal inference in statistics: An overview［J］.Statistics Surveys， 2009（3）:96-146.
［2］ MORAFFAH R， MORAFFAH B， KARAMI M， et al. Causal adversarial network for learning conditional and interventional distributions［J］. arXiv preprint arXiv:2008.11
376， 2020.
［3］ PAWLOWSKI N， CASTRO D C， GLOCKER B. Deep structural causal models for tractable counterfactual inference［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. ACM， 2020: 857-869.
［4］ JUNG Y H， TIAN J， BAREINBOIM E. Learning causal effects via weighted empirical risk minimization［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. ACM， 2020:12697-12709.
［5］ ZE[C]EVICM， DHAMI D S， VELI[C]KOVIC P， et al. Relating graph neural networks to structural causal models［J］. arXiv preprint arXiv:2109.04173， 2021.
［6］ KHEMAKHEM I， MONTI R P， LEECH R， et al. Causal autoregressive flows［C］// International Conference on Artificial Intelligence and Statistics. PMLR， 2021: 3520-3528.
［7］ PARAFITA Á， VITRIÁ J. Causal inference with deep causal graphs［J］. arXiv preprint arXiv:2006.08380， 2020.
［8］ GARRIDO S， BORYSOV S S， RICH J， et al. Estimating causal effects with the neural autoregressive density estimator［J］. Journal of Causal Inference， 2021，9（1）:211-228.
［9］邓攀，刘俊廷，王晓，等. STCTN：一种基于时域偏倚校正与空域因果传递的时空因果表示学习方法［J］. 计算机学报， 2023，46（12）:2535-2550.
［10］ HO J， JAIN A， ABBEEL P. Denoising diffusion probabilistic models［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. ACM， 2020: 6840-6851.
［11］ ABSTREITER K， MITTAL S， BAUER S， et al. Diffusion-based representation learning［J］. arXiv preprint arXiv:2105.14257， 2021.
［12］ SANCHEZ P， LIU X， O'NEIL A Q， et al. Diffusion models for causal discovery via topological ordering［J］. arXiv preprint arXiv:2210.06201， 2022.
［13］ SANCHEZ P， TSAFTARIS S A. Diffusion causal models for counterfactual estimation［J］. arXiv preprint arXiv:2202.10166， 2022.
［14］ MUKHOPADHYAY S， GWILLIAM M， AGARWAL V， et al. Diffusion models beat GANs on image classification［J］. arXiv preprint arXiv:2307.08702， 2023.
［15］ CHAO P， BL[O]OBAUM P， KASIVISWANATHAN S P. Interventional and counterfactual inference with diffusion models［J］. arXiv preprint arXiv:2302.00860， 2023.
［16］ SHIMIZU T. Diffusion model in causal inference with unmeasured confounders［C］// 2023 IEEE Symposium Series on Computational Intelligence （SSCI）. IEEE， 2023:683-688.
［17］ KARIMI M A M， DITTADI A， BAUER S， et al. Diffusion-based causal representation learning［J］. Entropy， 2024， 26（7）: 556.
［18］蔡风景，蔡周策，李元. 基于DAG方法的经济变量因果关系研究［J］. 统计与信息论坛， 2008，23（9）:28-31.
［19］胡嘉伟. 结构因果模型中的do算子分析［J］. 自然辩证法通讯， 2024，46（6）:57-65.
［20］ SONG Y， SOHL-DICKSTEIN J， KINGMA D P， et al. Score-based generative modeling through stochastic differential equations［J］. arXiv preprint arXiv:2011.13456， 2020.
［21］ PEARL J， MACKENZIE D.The book of why: The new science of cause and effect［J］. Science， 2018，361（6405）:855.
［22］ BAREINBOIM E， CORREA J D， IBELING D， et al. On Pearl’s hierarchy and the foundations of causal inference［M］// Probabilistic and Causal Inference: The Works of Judea Pearl， ACM， 2022:507-556.
［23］ HANSEN N R， SOKOL A. Causal interpretation of stochastic differential equations［J］. Electronic Journal of Probability， 2014，19:1-24.
［24］ LUO C. Understanding diffusion models: A unified perspective［J］. arXiv preprint arXiv:2208.11970， 2022.
［25］ KARIMI A H， VON K[U]GELGEN J， SCH[O]LKOPF B， et al. Algorithmic recourse under imperfect causal knowledge: A probabilistic approach［J］.arXiv preprint arXiv:2006.06
831， 2022.
［26］ SANCHEZ-MARTIN P， RATEIKE M， VALERA I. VACA: Design of variational graph autoencoders for interventional and counterfactual queries［J］.arXiv preprint arXiv:2110.146
90， 2021.
［27］ LI H X， XIAO Y H， ZHENG C Y， et al. Balancing unobserved confounding with a few unbiased ratings in debiased recommendations［C］// Proceedings of the ACM Web Conference 2023. ACM， 2023:1305-1313.
［28］ LI H X， DAI Q Y， LI Y R， et al. Multiple robust learning for recommendation［C］// Proceedings of the AAAI Conference on Artificial Intelligence. AAAI， 2023，37（4）: 4417-4425.
［29］ LI H X， ZHENG C Y， WU P. StableDR: Stabilized doubly robust learning for recommendation on data missing not at random［J］. arXiv preprint arXiv:2205.04701， 2022.

[1]	缪思巧, 凡红梅, 袁非梦. 考虑异强度相关性下多元退化系统的可靠性置信评估#br#[J]. 计算机与现代化, 2024, 0(02): 108-113.
[2]	何丽雯, 张锐驰. 基于深度学习的驾驶员分心行为识别[J]. 计算机与现代化, 2022, 0(06): 67-74.

去噪扩散概率模型驱动的因果推断算法

Causal Inference Algorithm Driven by Denoising Diffusion Probabilistic Model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 2

编辑推荐

Metrics

本文评价