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
LLM-initialized Differentiable Causal Discovery
SandboxAQ
本文提出LLM-DCD，利用LLM初始化可微因果发现的最大似然优化，并以显式邻接矩阵作为唯一变分参数，从而提升可解释性、先验融入能力和基准准确率。
2024-10-28 cs.LG stat.ML
Amortizing Causal Sensitivity Analysis via Prior Data-Fitted Networks
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出基于先验数据拟合网络的因果敏感性分析方法，通过上下文学习实现高效计算，解决传统方法需重新计算的问题，实验证明其在多个数据集和敏感性水平上显著提升计算效率。
2026-05-11 cs.LG stat.ML
Path-Specific Objectives for Safer Agent Incentives
University of Oxford（牛津大学）；DeepMind（深度思维）
我们提出了一个一般的框架，训练安全的代理人，天真的激励是不安全的。例如，操纵或欺骗行为可以提高奖励，但应避免。大多数方法在这里失败：代理人通过任何必要的手段最大化预期回报。我们正式描述设置与“微妙的”部分的状态，不应该被用作一种手段，以达到目的。然后，我们训练代理，以最大限度地提高预期回报的行为的因果影响，这是不介导的微妙的部分状态，使用因果影响图分析。由此产生的代理人没有动机控制微妙的状态。我们进一步展示了我们的框架如何统一和概括现有的建议。
2022-04-21 cs.AI stat.ML
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
Distinguishing Cause from Effect with Causal Velocity Models
Department of Statistics, University of British Columbia（不列颠哥伦比亚大学统计学系）；Gatsby Unit, University College London（伦敦大学学院Gatsby单元）
本文将原因变量视作动力系统时间，提出因果速度参数化及速度—得分回归目标，实现无需噪声分布假设、适用范围更广的二元因果发现。
2025-06-09 cs.LG stat.ME stat.ML
A framework for causal segmentation analysis with machine learning in large-scale digital experiments
Netflix（Netflix（奈飞））
我们提出了一个端到端的因果段发现的方法框架，旨在揭示大规模数字实验中用户亚组之间治疗的差异影响。基于因果推断和非/半参数统计的最新发展，我们的方法统一了两个目标：（1）发现基于亚组特定处理效应的候选治疗受益的用户细分，以及（2）基于其预测的细分特定受益或损害，动态分配单位到研究治疗组的因果影响评估。我们的建议是模型不可知的，能够将国家的最先进的机器学习算法的估计过程，并适用于随机A/B测试和准实验。介绍了一个开源的R包实现Sherlock。
2021-11-01 cs.LG stat.AP stat.ME
Optimizing Language Models for Human Preferences is a Causal Inference Problem
Carnegie Mellon University（卡内基梅隆大学）
本文将语言模型的人类偏好优化形式化为因果推断问题，提出因果偏好优化（CPO）及其双重稳健扩展DR-CPO，以无偏且低方差的方式优化大语言模型，并通过实验验证其有效性与稳健性。
2024-06-05 cs.CL cs.LG stat.ME
Causal inference under over-simplified longitudinal causal models
流行病学中的许多因果模型涉及纵向暴露、混杂因素和介质。然而，重复测量并不总是可用或在实践中使用，导致分析师忽视了暴露的时变性质，并在过于简化的因果模型下工作。我们的目标是评估是否-以及如何-在这种错误指定的因果模型下确定的因果效应与真正的因果效应相关。我们得到充分的条件，确保在实践中估计的数量在过于简化的因果模型可以表示为加权平均的纵向因果效应的利益。毫不奇怪，这些充分条件是非常严格的，我们的结果表明，在实践中估计的数量一般应谨慎解释，因为它们通常不涉及任何纵向因果效应的利益。我们的模拟进一步说明，在实践中估计的数量和感兴趣的纵向因果效应的加权平均值之间的偏差可能是巨大的。总体而言，我们的结果证实，需要重复测量，以进行适当的分析和/或敏感性分析的发展，当他们不可用。
2023-02-18 stat.ME
Causal-EPIG: A Prediction-Oriented Active Learning Framework for CATE Estimation
Australian Institute for Machine Learning, The University of Adelaide（阿德莱德大学澳大利亚机器学习研究所）；Department of Statistics, University of Oxford（牛津大学统计系）
本文提出 Causal-EPIG 主动学习框架，将 EPIG 用于直接降低潜在结果与 CATE 的不确定性，并通过两种采集策略实现更优的样本高效 CATE 估计。
2025-09-26 cs.LG stat.ML
InferenceEvolve: Towards Automated Causal Effect Estimators through Self-Evolving AI
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学彭博公共卫生学院）；Department of Computer Science, Johns Hopkins University（约翰霍普金斯大学计算机科学系）
本文提出InferenceEvolve框架，利用大语言模型发现并迭代优化因果方法，在多个基准测试中优于现有方法，展示了语言模型引导的进化在因果推断中的潜力。
2026-04-05 cs.AI cs.CE stat.AP
Beyond Distributional Fidelity: Causal-Penalized Diffusion for Synthetic Tabular Data
University of California, Los Angeles（加州大学洛杉矶分校）；University of California, San Diego（加州大学圣地亚哥分校）；Xiamen University（厦门大学）
该研究针对合成表格数据生成器仅优化分布保真度无法保留因果效应的问题，提出因果惩罚的TabDDPM框架，经实验验证可在提升因果保真度的同时保持竞争力统计保真度。
2026-10-09 cs.LG stat.ML
Reduced-Rank Multi-objective Policy Learning and Optimization
University of California, Berkeley（加利福尼亚大学伯克利分校）；University of Southern California（南加利福尼亚大学）
提出基于降秩回归的多目标策略学习降维方法，通过学习低维表示对多结果去噪，降低估计误差并提升最优策略评估与优化性能。
2024-04-29 cs.LG stat.ML
Curious Causality-Seeking Agents Learn Meta Causal World
University of Bristol（布里斯托大学）；Peking University（北京大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, Chinese Academy of Sciences（中国科学院人工智能学院）；University College London（伦敦大学学院）；King Abdullah University of Science and Technology（卡塔尔科技大学）；The Swiss AI Lab, IDSIA-USI/SUPSI（瑞士AI实验室，IDSIA-USI/SUPSI）
本文提出元因果图作为世界模型，并设计因果寻求智能体，通过好奇心驱动的干预策略识别元状态、发现因果关系并迭代优化，实验证明其能稳健捕捉因果动态变化并泛化到新情境。
2025-10-26 cs.AI cs.LG stat.AP
Phenomenological Causality
Amazon Research（亚马逊研究院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
关于现实生活中因果关系的讨论经常考虑因果关系定义不明确的变量，因为对相应变量的干预概念模糊不清。问“什么样的行动才有资格成为对变量X的干预”，就会提出这样的问题：该行动是否只通过X或直接影响所有其他变量，这隐含着一个因果模型。为了避免这种已知的循环，我们提出了一个“现象学因果关系”的概念，其基本概念是一组基本的行动。然后定义因果结构，使得基本动作仅改变一个节点处的因果机制（例如，马尔可夫分解中的因果条件之一）。这样，独立机制原理就成为因果结构的定义属性，在这些领域中，因果关系是一种更抽象的现象，而不是依赖于有形物体之间的硬连线因果联系的客观事实。我们描述了这种现象学的因果关系的玩具和假设的现实世界的例子，并认为这是一致的因果马尔可夫条件时，所考虑的系统与其他变量的相互作用，控制的基本行动。
2022-11-15 cs.AI cs.LG stat.ME
Identification and Bounding of Central Moments of Causal Effects Using Marginal Moments Information
Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
研究利用各潜在结果的边际中心矩来识别和界定个体因果效应的中心矩，相比需完整边际分布的现有方法，边际矩信息在实证应用中更易获取，还通过案例研究展示结果实用性。
2026-07-07 stat.ME stat.ML
Causal Discovery in a Binary Exclusive-or Skew Acyclic Model: BExSAM
Institute of Scientific and Industrial Research, Osaka University（大阪大学产业科学研究所）；Graduate School of Science, Osaka University（大阪大学理学研究科）；Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
在给定的数据集中发现观测变量之间的因果关系是统计学和人工智能研究的主要目标。最近，一些技术，发现一个独特的因果模型已被探索的基础上观察到的数据分布的非高斯性。然而，其中大多数仅限于连续数据。在本文中，我们提出了一种新的因果模型的二进制数据，并提出了一种有效的新方法来推导唯一的因果模型下的偏态分布的外部二进制噪声的给定的二进制数据集。实验评估表明，人工和现实世界的数据集的优异性能。
2014-01-22 cs.LG stat.ML
Causal DAG Summarization (Full Version)
CSAIL, MIT USA（麻省理工学院计算机科学与人工智能实验室）；Technion Israel（技术学院）；University of California, San Diego USA（加州大学圣地亚哥分校）
本文提出一种因果DAG摘要方法，通过贪心算法在简化复杂高维因果图的同时保留关键因果信息，确保推断可靠且对假设错误设定更鲁棒，实验验证其有效性。
2025-04-21 cs.DB cs.LG stat.ME
Explaining Heterogeneous Treatment Effects with Causal Forests and the Hoeffding Functional Decomposition
Theremia（瑟雷米亚）；Thales（泰雷兹）；cortAIx-Labs（cortAIx实验室）
该研究针对因果推断中异质性处理效应估计的黑箱问题，提出可解释的CausalTreeHFD方法，基于霍夫丁函数分解将CATE预测分解为协变量及交互作用贡献，经实验验证其能准确识别相关因素并恢复贡献。
2026-10-14 cs.LG stat.ML
Contrastive ACE: Domain Generalization Through Alignment of Causal Mechanisms
University of Hong Kong（香港大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Hong Kong University of Science and Technology（香港科技大学）
领域泛化的目的是从多个源领域中学习跨不同分布的知识不变量，同时对下游任务具有语义意义，以提高模型对未知目标领域的泛化能力。基本目标是了解这些观测分布背后的基本“不变性”，这种不变性已被证明与因果关系密切相关。虽然许多现有的方法利用的属性，因果功能是跨域不变的，我们认为因果不变性的平均因果效应的功能的标签。这种不变性规范了我们的训练方法，其中对特征进行干预，以加强跨域分类器因果预测的稳定性。因此，我们的工作揭示了一些光的领域泛化问题，通过引入不变性的机制到学习过程中。在多个基准数据集上的实验证明了该方法对SOTA的性能。
2021-06-02 cs.LG stat.ML
Guardrailed Uplift Targeting: A Causal Optimization Playbook for Marketing Strategy
Deepit Sapru
本文提出一个优化客户定向的营销决策框架，结合异质处理效应估计与明确业务保护规则，旨在最大化收入和留存同时遵守预算、收入保护和客户体验等约束。
2026-02-04 cs.LG stat.ME
An evaluation framework for comparing causal inference models
Harokopio University of Athens（雅典哈罗科皮奥大学）
因果效应的估计是许多科学学科的核心目标。然而，这仍然是一项具有挑战性的任务，特别是当根据观测数据估计影响时。近年来，几种有前途的机器学习模型被提出用于因果效应估计。这些模型的评价基于平均处理效应（ATE）误差的平均值以及异质效应估计精密度（PEHE）。在本文中，我们建议补充评估的因果推断模型使用具体的统计证据，包括性能配置文件的Dolan和莫尔，以及非参数和事后统计检验。这种方法背后的主要动机是消除少量实例或模拟对基准测试过程的影响，在某些情况下，这些实例或模拟会主导结果。我们使用建议的评估方法来比较几个国家的最先进的因果效应估计模型。
2022-08-31 cs.LG stat.ML
Forecasting Causal Effects of Future Interventions: Confounding and Transportability Issues
Yale University（耶鲁大学）；University of Florence（佛罗伦萨大学）
本文提出了一种非参数识别公式，用于预测未来干预的因果效应，并探讨了时间变化混杂因素对因果推断的影响。
2026-03-09 stat.ME
Causal inference to detect selection bias in road safety epidemiology
在道路安全领域，通常使用责任分析来评估某一特定因素对事故责任风险的影响，但仅限于涉及事故的驾驶员。即使这种设计现在在该领域被广泛采用，选择偏差的问题也经常被提出。结构因果模型框架现在提供了有价值的工具，以评估观察数据的因果效应和识别选择偏差。在这篇文章中，我们简要回顾了最近的结果，从选择偏置数据的因果效应的可恢复性，并将其应用到责任分析的情况下。我们的目标是正式确定因果关系是否可以通过这种类型的分析，无偏估计，当可用的数据仅限于严重的事故，因为它是在实践中常见的情况。然而，由于速度有直接影响的严重程度的事故，我们表明，因果的赔率比是不可估计的责任分析。我们提出的数值结果来说明我们的论点，偏差的大小，并讨论最近的结果，从实际数据。
2018-10-14 stat.ME
Learned Causal Method Prediction
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）
针对因果推断中难以选择最优方法的问题，提出CAMP框架，通过合成数据训练结合自监督预学习预测最优因果方法，在因果发现任务中效果优于单一方法且泛化性良好。
2023-11-08 cs.AI cs.LG stat.ME
Systematic Evaluation of Causal Discovery in Visual Model Based Reinforcement Learning
Mila（米拉研究所）；Polytechnique Montréal（蒙特利尔综合理工学院）；Deepmind（深度思维）；Element AI（Element AI公司）；Google AI（谷歌人工智能）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
从观察结果中归纳因果关系是机器学习中的一个经典问题。大多数因果关系的工作都是从因果变量本身被观察到的前提开始的。然而，对于人工智能代理（如试图理解其环境的机器人）来说，唯一的可观察变量是低级变量，如图像中的像素。为了很好地概括，智能体必须引入高级变量，特别是那些因果变量或受因果变量影响的变量。因此，人工智能和因果关系的核心目标是共同发现抽象表示和因果结构。然而，我们注意到，现有的研究因果归纳的环境不太适合这个目标，因为它们具有复杂的任务特定的因果图，不可能参数化地操纵（例如，节点数、稀疏性、因果链长度等）。在这项工作中，我们的目标是促进研究在学习表示的高层次变量以及因果结构之间。为了系统地探索识别这些变量和结构的方法的能力，我们设计了一套基准RL环境。我们评估了文献中的各种表示学习算法，发现在模型中显式地结合结构和模块化可以帮助基于模型的强化学习中的因果归纳。
2021-07-02 cs.LG stat.ML
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
Learning Latent Causal Structures with a Redundant Input Neural Network
University of Pittsburgh（匹兹堡大学）
大多数因果发现算法在一组观测变量中发现因果结构。学习潜在变量之间的因果结构仍然是一个重要的开放问题，特别是在使用高维数据时。在本文中，我们解决了一个问题，它是已知的输入导致输出，这些因果关系编码的因果网络之间的一组未知数量的潜在变量。我们开发了一个深度学习模型，我们称之为冗余输入神经网络（RINN），它具有修改后的架构和正则化的目标函数，以找到输入，隐藏和输出变量之间的因果关系。更具体地说，我们的模型允许输入变量直接与神经网络中的所有潜变量交互，以影响潜变量应该编码什么信息，以便准确地生成输出变量。在这种情况下，输入变量和潜变量之间的直接联系使得潜变量部分可解释;此外，神经网络中潜变量之间的连接性用于对它们彼此之间以及与输出变量之间的潜在因果关系进行建模。一系列的仿真实验表明，RINN方法能够成功地恢复输入输出变量之间的潜在因果结构。
2020-09-08 cs.LG cs.NE q-bio.MN
On Adaptive Propensity Score Truncation in Causal Inference
在因果推断中，阳性假设或实验治疗分配（ETA）假设对可识别性很重要。即使正性假设成立，实际违反这一假设可能会危及有限样本的因果估计性能。实际违反积极性假设的后果之一是估计的倾向得分（PS）中的极值。解决这个问题的一个常见做法是在构建基于PS的估计量时截断PS估计。在这项研究中，我们提出了一种新的自适应截断方法，积极性-C-TMLE，合作有针对性的极大似然估计（C-TMLE）方法的基础上。我们证明了我们的新方法在各种模拟的出色表现，通过比较它与其他常用的研究估计。结果表明，通过自适应截断估计PS与更有针对性的目标函数，Positivity-C-TMLE估计实现了最好的性能点估计和置信区间覆盖所有考虑的估计。
2017-07-18 stat.CO stat.ME stat.ML
A Survey of Deep Causal Models and Their Industrial Applications
School of Computer and Information Technology, Beijing Jiaotong University（北京交通大学计算机与信息技术学院）；Data Management Department, China Minsheng Bank（中国民生银行数据管理部）；MYbank, Ant Group（蚂蚁集团网商银行）
本文综述了基于神经网络的深度因果模型，从发展时间线和分类方法角度全面概述，并介绍其在工业中的典型应用及对数据集、源代码和实验的详细分析。
2024-05-22 cs.LG stat.ML
A general framework for causal classification
University of South Australia（南澳大学）；School of Computer and Information, Hefei University of Science and Technology（合肥理工大学计算机与信息学院）
在许多应用中，需要从数据中预测干预对不同个体的影响。例如，哪些客户可以被产品促销说服？哪些患者应该接受某种治疗？这些是典型的因果问题，涉及干预措施的效果或结果的变化。这些问题无法用传统的分类方法来回答，因为它们只使用关联来预测结果。对于个性化营销，这些问题通常通过提升建模来回答。隆升模型的目的是估计因果效应，但其文献没有讨论什么时候隆升代表因果效应。因果异质性模型可以解决这个问题，但其假设的不混淆是不可测试的数据。因此，从业者在使用这些方法时，需要在应用程序中提供指导。在本文中，我们使用因果分类的一组个性化的决策问题，并区分它从分类。我们讨论的条件时，因果分类可以解决隆起（和因果异质性）建模方法。我们还提出了一个因果分类的一般框架，通过使用现成的监督方法灵活实现。实验表明，因果分类和隆起（因果异质性）建模的框架工作的两个实例，并与其他隆起（因果异质性）建模方法的竞争力。
2021-03-15 cs.LG stat.ML
Generalization bound for estimating causal effects from observational network data
Guangdong University of Technology（广东工业大学）；Shantou University（汕头大学）
针对观测网络数据因果效应估计缺乏泛化界分析的问题，本文结合联合倾向得分重加权与IPM表示学习推导出泛化界，并据此提出加权回归方法，在真实网络半合成数据上验证了有效性。
2023-08-08 cs.LG stat.ME
Large Sample Properties of Entropy Balancing Estimators of Average Causal Effects
在观察性研究中使用加权方法来调整治疗组和对照组之间的协变量失衡。熵平衡（EB）是利用估计的倾向得分的逆概率加权的替代方案。EB权重被构造为满足平衡约束，并朝着稳定性进行优化。基于Kullback-Leibler和二次Rényi相对熵，我们描述了平均因果处理效应的EB估计的大样本性质。此外，我们还提出了他们的渐近方差估计。即使EB的目的是减少模型依赖性，估计量通常不一致，除非满足倾向得分或条件结果的隐式参数假设。有限样本性质的估计进行了研究，通过模拟研究。在瑞典儿童糖尿病登记处的观察数据的应用中，我们估计了学校成绩对1型糖尿病急性并发症住院治疗的平均影响。
2022-04-22 stat.ME
Controllable Generative Sandbox for Causal Inference
Emory University（埃默里大学）；Yale University（耶鲁大学）；Amgen（安进公司）
CausalMix是一种结合高斯潜在先验与数据类型特定解码器的变分生成框架，通过显式因果控制实现对因果机制的可控生成，适用于混合类型表格数据的高保真模拟及因果推断研究。
2026-03-03 cs.LG stat.ME stat.ML
Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study
针对医学观察性研究目标不明确、缺乏过程调整工具的问题，本研究基于因果DAG提出可提供中途洞见、识别因果问题并指明数据库增强方向的方法，结合aSAH患者数据验证，还提出基于IV推断的多中心实践变化监测方法。
2024-08-12 stat.ME stat.ML
Identifiable causal inference with noisy treatment and no side information
Aalto University（阿尔托大学）
针对处理变量有测量误差且无辅助信息的因果推断场景，提出基于深度潜变量模型的可辨识方法，无需已知测量误差方差即可得到可靠估计，拓展了因果推断的适用范围。
2024-09-12 cs.LG stat.ME stat.ML
Optimization-based Causal Estimation from Heterogenous Environments
Warrington College of Business（沃顿商学院）；University of Florida（佛罗里达大学）；University of Michigan（密歇根大学）；Columbia University（哥伦比亚大学）
本文提出优化算法CoCo，利用多个异质环境中因果不变而协变量分布变化的特性，通过最大化仅以因果解为最优解的目标函数，实现更准确的因果估计与干预预测。
2024-10-18 cs.LG stat.ME stat.ML
Treatment Effects on Ordinal Outcomes: Causal Estimands and Sharp Bounds
评估干预措施对有序结果的因果影响是许多教育和行为研究的重要目标。在潜在结果框架下，我们可以将因果效应定义为治疗和控制下的潜在结果之间的比较。然而，不幸的是，平均因果效应，通常是感兴趣的参数，很难解释为有序的结果。为了应对这一挑战，我们建议使用两个因果参数，定义为治疗对实验单位有益和严格有益的概率。然而，尽管上述两个参数对于任何结果都有明确的定义，并且对于顺序结果特别感兴趣，但它们取决于潜在结果之间的关联，因此在没有额外假设的情况下无法从观察到的数据中识别。为了响应计量经济学和生物统计学文献的最新进展，我们提出了在潜在结果的固定边缘分布下，上述顺序结果的因果参数的锐界。由于因果被估量及其相应的锐界是基于潜在结果本身，所提出的框架可以灵活地纳入任何选择的模型的潜在结果，并直接适用于随机实验，无混杂观察性研究，随机实验与不遵守。我们说明我们的方法，通过数值例子和三个现实生活中的应用程序相关的教育和行为研究。
2018-04-05 stat.ME
Unbiased Learning for the Causal Effect of Recommendation
Fuji Xerox（富士施乐）
增加用户的积极互动，如购买或点击，是推荐系统的一个重要目标。推荐通常旨在选择用户将与之交互的项目。如果购买了推荐的商品，预计销售额会增加。然而，即使没有推荐，这些物品也可以购买。因此，我们希望推荐那些因推荐而导致购买的商品。这可以被公式化为因果效应的排序问题。尽管它的重要性，这个问题还没有得到很好的探讨，在相关的研究。这是具有挑战性的，因为因果效应的基础事实是不可观察的，并且估计因果效应容易受到当前部署的随机变量产生的偏差的影响。本文提出了一个无偏的学习框架的因果关系的建议。基于逆倾向评分技术，所提出的框架首先构造无偏估计的排名指标。然后，它进行经验风险最小化的估计与倾向封顶，减少了有限的训练样本下的方差。基于该框架，我们开发了一个无偏学习方法的因果效应扩展的排名度量。我们从理论上分析了所提出的方法的无偏性和经验证明，所提出的方法优于其他有偏学习方法在各种设置。
2020-09-23 cs.IR cs.LG stat.ML
A Primer on Causality in Data Science
数据科学中的许多问题从根本上讲都是因果关系，因为我们的目标是了解某种暴露（随机或非随机）对结果利益的影响。即使是看似无因果关系的研究，例如以预测或流行率估计为目标的研究，也有因果因素，包括差别审查或测量。因此，作为数据科学家，我们需要考虑产生数据的潜在因果机制，而不仅仅是在这些数据中观察到的模式或关联。在这项工作中，我们回顾了Petersen和van der Laan（2014）的“因果路线图”，以介绍因果推断中的一些关键概念。与其他因果框架类似，路线图的步骤包括明确说明科学问题，定义因果模型，将科学问题转化为因果参数，评估将因果参数表示为统计被估量所需的假设，实施统计估计，包括参数和半参数方法，以及解释我们的发现。我们相信，在数据科学中使用这样的框架将有助于确保我们的统计分析受到推动我们研究的科学问题的指导，同时避免过度解释我们的结果。我们专注于在单个时间点发生的暴露的影响，并强调使用有针对性的极大似然估计（TMLE）与超级学习者。
2019-03-05 stat.AP stat.ME stat.ML
