因果发现和因果推理通常被视为独立和连续的任务:首先推断因果图，然后使用它来估计干预的因果效果。然而，这种两阶段的方法是不经济的，特别是就主动收集的介入数据而言，因为感兴趣的因果查询可能不需要完全指定的因果模型。从贝叶斯的角度来看，这也是不自然的，因为一个因果查询(例如，因果图或某些因果效果)可以被视为一个潜在的数量服从后验推理——其他没有直接兴趣的未观察到的数量(例如，完整的因果模型)应该在这个过程中被边缘化，并导致我们的认知不确定性。在这项工作中，我们提出了主动贝叶斯因果推理(ABCI)，一个集成因果发现和推理的全贝叶斯主动学习框架，它联合推导因果模型和兴趣查询的后验。在我们的ABCI方法中，我们关注一类因果充分的非线性加性噪声模型，我们使用高斯过程建模。我们依次设计关于目标因果查询信息量最大的实验，收集相应的介入数据，并更新我们选择下一个实验的信念。通过模拟，我们证明了我们的方法比一些只关注学习完整因果图的基线更有效。这允许我们从更少的样本中准确地学习下游因果查询，同时为感兴趣的数量提供良好校准的不确定性估计。

https://www.zhuanzhi.ai/paper/5a0f7d37a0053ae4b0c45f1e2d38f0f4