新方法识别双变量因果方向：AAG在图宾根基准达84.3%加权准确率
arXiv论文提出AAG与MI两种无需干预数据的因果方向识别方法，其中AAG在 99 对真实因果样本上超过GRCI与CAREFL-H。
AI解读：这项研究解决的是因果推断中的经典难题：只有两个变量、且没有干预实验数据时，如何判断谁影响谁。论文提出的AAG方法利用“原因的条件分布比结果更不对称”这一统计规律，在标准的图宾根真实数据集上取得了 84.3% 的加权准确率，超过了已有的GRCI（81.6%）和CAREFL-H（82.0%）。这意味着，在医学、经济学或社会科学等难以做对照实验的领域，研究人员可以借助这种纯计算的方法，更可靠地判断变量间的因果方向。不过，该方法仍依赖数据的随机性和条件分布的单峰假设，且性能受超参数影响；目前只是论文结果，尚未有独立复现或大规模应用，实际效果还需进一步验证。
一篇 9 月 3 日更新于arXiv的机器学习论文提出两种仅凭双变量数值数据识别因果方向的方法：Anticipated Asymmetric Geometries（AAG）和Monotonicity Index（MI）。论文称，AAG方法在图宾根 99 对真实因果样本上达到 84.3% 的加权准确率（经规模自适应调参），超过对比方法GRCI（81.6%）和CAREFL-H（82.0%）。
方法与验证
作者Alex Glushkovsky在论文中介绍，AAG方法将两个变量的实际条件分布与预期分布进行比较，评估了皮尔逊相关、余弦距离、Jaccard指数、K-L散度、K-S距离、MAE、MSE和互信息等多种度量指标；预期分布基于双响应统计量（均值和标准差）按正态分布投影。MI方法则比较两条坐标轴上条件分布梯度的单调性指数，并统计梯度符号变化次数。两种方法都假设双变量数据具有随机性质，并利用“效应条件分布具有预期单峰性”这一特性。
论文称，对于给定的超参数，两种方法都给出唯一且确定性的解；为处理超参数敏感性，作者采用全因子实验设计进行调参。结果显示，AAG方法优于MI：简单调参下加权准确率为 81.4%，尺寸自适应调参下为 84.3%。此外，论文还拟合了一棵决策树，利用输入数据的对称双变量统计量区分被误判的案例，以回答“因果方向识别方法的决定性如何”这一问题。