Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
受试者不依从，即受试者不遵循指定的治疗方案，通常掩盖了随机试验中治疗和处理效应之间的因果关系。在纵向设置中，G计算算法可以调整混杂以估计因果效应。通常，G计算假设1）观察到符合性; 2）可以正确指定混杂因素的密度。我们的目标是开发一个G-计算估计的设置，这两个假设都违反。对于1），我们用从与依从性相关的生物标志物建模中推导出的概率权重来代替未观察到的依从性。对于2），我们使用预测均值匹配拟合半参数模型。具体来说，我们参数化地指定混杂因素的条件平均值，然后使用预测平均值匹配来随机生成用于G计算的混杂数据。在模拟和应用中，我们比较了多个因果估计已经建立在文献中与那些来自我们的方法。对于模拟，我们生成了不同样本量和混杂水平的数据。对于应用，我们将我们的方法应用于试图评估低尼古丁香烟对香烟消费的影响的试验（香烟中尼古丁评估中心项目2 - CENIC-P2）。
2023-02-08 stat.AP stat.ME
Curb Your Attention: Causal Attention Gating for Robust Trajectory Prediction in Autonomous Driving
University of Alberta（阿尔伯塔大学）；Noah’s Ark Laboratory, Huawei Technologies Canada（华为加拿大诺亚实验室）；Cornell University（康奈尔大学）
本文提出CRiTIC模型，通过因果发现网络识别agent间因果关系，并引入因果注意力门控机制提升轨迹预测的鲁棒性和泛化能力，实验表明模型在对抗非因果扰动时鲁棒性提升54%。
2025-03-06 cs.LG cs.RO stat.ME
Computational Causal Inference
Netflix
我们介绍计算因果推断作为一个跨学科领域的因果推断，算法设计和数值计算。该领域旨在开发专门从事因果推断的软件，这些软件可以以高性能，通用和鲁棒的方式分析具有各种因果效应的海量数据集。对软件的关注提高了研究的灵活性，并使因果推断能够容易地集成到大型工程系统中。特别是，我们使用计算因果推断来加深因果推断、在线实验和算法决策之间的关系。本文描述了新的领域，需求，可扩展性的机会，开放的挑战，并开始讨论社区如何能够团结起来，以解决扩展因果推断和决策的挑战。
2020-07-21 cs.LG stat.CO
Concept-free Causal Disentanglement with Variational Graph Auto-Encoder
Southern University of Science and Technology（南方科技大学）；Gongsheng Matrix（Gong Sheng Matrix）
针对图数据解缠表示学习，提出无概念因果解缠方法，通过紧上界近似和因果解缠层构建CCVGAE及CC-Meta-Graph，在AUC上分别提升29%和11%。
2023-11-17 cs.AI cs.LG stat.ME
Effective Bayesian Causal Inference via Structural Marginalisation and Autoregressive Orders
TU Graz（格拉茨技术大学）；Levata GmbH（Levata公司）
本文提出通过将结构边际化分解为因果序和给定序下DAG的边际化，并设计自回归分布ARCO进行采样近似，实现高效的贝叶斯因果推断，在结构学习和因果效应估计上优于现有方法。
2025-04-23 cs.AI cs.LG stat.ME
Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
University of California, San Francisco（加利福尼亚大学旧金山分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；University of Washington, Seattle（华盛顿大学西雅图分校）
本研究提出专家引导g计算法（egg-computation），结合专家判断与LLM技术，用于估计医院干预措施对平均住院时长的因果效应，在模拟和真实医院数据中表现优于传统方法。
2026-08-12 cs.AI stat.AP stat.ME
Autoregressive models for panel data causal inference with application to state-level opioid policies
University of Florida（佛罗里达大学）；RAND Corporation（兰德公司）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）；Rutgers Robert Wood Johnson Medical School（罗格斯大学罗伯特·伍德·约翰逊医学院）
本文提出基于自回归模型的因果推断方法，用于评估州级阿片类药物政策（PDMPs、NALs、医用大麻法）的效果，并通过模拟验证其优于现有方法。
2025-10-15 stat.AP stat.ME
Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）；Data 61, Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织数据61分部）；STEM, University of South Australia（南澳大学 STEM 学院）
针对观测数据因果效应估计中潜在混杂因子与治疗后变量引发的偏差问题，提出结合VAE与iVAE的CPTiVAE方法，证明相关可识别性，实验表明其性能优于现有最优方法，具备实际应用潜力。
2024-08-13 cs.LG stat.ME
High-recall causal discovery for autocorrelated time series with latent confounders
German Aerospace Center（德国航空航天中心）；Institute of Data Science（数据科学研究所）
我们提出了一种新的方法，从观测时间序列中发现线性和非线性，滞后和同期的约束为基础的因果关系存在潜在的混淆。我们发现，现有的因果关系发现方法，如FCI和变种遭受低召回自相关时间序列的情况下，并确定低效果大小的条件独立性测试的主要原因。信息理论的论点表明，效果大小往往可以增加，如果因果父母包括在条件设置。为了尽早确定父母，我们建议一个迭代的过程，利用新的方向规则，以确定祖先的关系已经在边缘去除阶段。我们证明了该方法是序无关的，并且在Oracle情况下是可靠的和完全的。大量的模拟研究不同数量的变量，时间滞后，样本量，并进一步的情况下，证明我们的方法确实实现了更高的召回率比现有的方法的情况下，自相关的连续变量，同时保持在所需的水平误报。这种性能增益随着更强的自相关性而增长。在https://github.com/jakobrunge/tigramite上，我们提供了模拟研究中涉及的所有方法的Python代码。
2021-02-01 cs.LG stat.ME stat.ML
CausalSmith: A Formally Grounded, Self-Improving Agentic Framework for Automated Research in Causal Inference
提出因果锻造框架用于因果推理自动化研究，结合因果论库与因果史密斯智能管道，通过声明审核增强内核验证，并用自主研究工件评估系统，为因果推理自动化研究提供新途径。
2026-09-16 cs.AI cs.LG econ.EM
OpportunityFinder: A Framework for Automated Causal Inference
本文提出无代码框架 OpportunityFinder，通过配置文件和观测数据自动选择算法，在面板数据二值处理下估计因果影响并给出敏感性与稳健性结果，降低非专家用户开展因果研究的门槛。
2023-09-22 cs.AI cs.LG stat.ME
Causal Autoregressive Flows
Gatsby Unit, UCL（伦敦大学学院盖茨比单元）；King’s College London（伦敦国王学院）；University of Helsinki（赫尔辛基大学）
两个明显不相关的领域--规范化流和因果关系--最近在机器学习社区受到了相当大的关注。在这项工作中，我们强调了一个简单的家庭自回归规范化流和可识别的因果模型之间的内在对应关系。我们利用的事实，自回归流架构定义了一个排序的变量，类似于因果排序，表明他们非常适合执行一系列的因果推断任务，从因果发现，使干预和反事实的预测。首先，我们证明了因果模型来自仿射和加性自回归流与固定的顺序变量是可识别的，即因果影响的真实方向可以恢复。这提供了在因果发现中众所周知的加性噪声模型的一般化。其次，我们推导出一个基于似然比的因果方向的二元测度，利用流模型可以估计数据的归一化对数密度的事实。第三，我们表明，流自然允许直接评估的干预和反事实查询，后一种情况下是可能的，由于流的可逆性。最后，通过对合成数据和真实数据的一系列实验，表明所提出的方法优于目前的因果发现方法，以及准确的干预和反事实预测。
2021-02-24 cs.LG stat.ML
Autoregressive flow-based causal discovery and inference
Gatsby Computational Neuroscience Unit, UCL（伦敦大学学院盖茨比计算神经科学单元）；University of Helsinki（赫尔辛基大学）
我们认为自回归流模型非常适合执行一系列因果推断任务-从因果发现到进行干预和反事实预测。特别是，我们利用的事实，自回归架构定义的变量排序，类似于因果排序，为了提出一个单一的流架构来执行所有上述三个任务。我们首先利用流模型估计数据的归一化对数密度的事实，推导出基于似然比的因果方向的二元度量。虽然因果方向的传统测量通常需要对因果关系的性质进行限制性假设（例如，线性），流动模型的灵活性允许任意的因果依赖关系。我们的方法相比有利的替代方法的合成数据，以及对因果对基准数据集。随后，我们证明了流动的可逆性自然允许直接评估干预和反事实预测，这需要分别对潜在变量进行边缘化和调节。我们提出了合成数据的例子，其中自回归流在正确的因果排序下训练时，能够做出准确的干预和反事实预测
2020-07-26 cs.LG stat.ML
An Automated Approach to Causal Inference in Discrete Settings
University of Pennsylvania（宾夕法尼亚大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Princeton University（普林斯顿大学）
当因果量不能被点识别时，研究人员经常追求部分识别来量化可能值的范围。然而，应用研究条件的特殊性可能使这在分析上变得棘手。我们提出了一个通用的和自动化的方法，因果推断在离散设置。我们显示因果问题与离散数据减少到多项式规划问题，我们提出了一个算法，自动绑定因果效应，使用高效的双松弛和空间分支定界技术。用户声明一个被估量，陈述假设，并提供数据（尽管不完整或错误测量）。然后，该算法搜索可接受的数据生成过程，并输出与可用信息一致的最精确的可能范围，即，尖锐的边界--如果存在的话，包括一个点标识的解决方案。由于这种搜索可能是计算密集型的，因此我们的程序报告并不断改进非尖锐范围，这些范围保证始终包含真相，即使算法没有运行完成。此外，它提供了一个额外的保证，我们称之为$ε$ -锐度，表征不完整边界的最坏情况松散。分析验证的模拟表明，该算法适应经典的障碍，包括混杂，选择，测量误差，不符合，和无响应。
2021-09-28 cs.LG stat.CO stat.ME
Efficient Symbolic Computations for Identifying Causal Effects
Max Planck Institute for Mathematics in the Sciences（马克斯·普朗克数学研究院）；Binghamton University（宾夕法尼亚州立大学布林茅尔分校）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
本文提出高效算法解决因果效应的符号计算问题，通过准多项式时间找到最低次识别公式，克服传统Gröbner基方法的计算瓶颈。
2026-04-22 cs.LG stat.ML
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
Grasping Causality for the Explanation of Criticality for Automated Driving
German Aerospace Center (DLR) e.V.（德国航空航天中心（DLR））；Robert Bosch GmbH（罗伯特·博世有限公司）；Technical University of Kaiserslautern（凯泽斯劳滕工业大学）
SAE 4级和5级自动驾驶系统的验证和确认是一个多方面的挑战，经典的统计考虑变得不可行。对于这一点，当代的方法建议分解成场景类结合统计分析，其出现的关键性。不幸的是，这些关联方法可能会产生虚假的推论，或者更糟的是，无法识别导致关键场景的因果关系，而这些场景反过来又是自动驾驶系统开发和保护的先决条件。为了将因果知识纳入这些过程中，这项工作引入了因果查询的形式化，其答案有助于对自动驾驶安全相关影响因素的因果理解。这种形式化的因果知识可用于指定和实施抽象的安全原则，这些原则可证明降低与这些影响因素相关的关键性。朱迪亚珍珠的因果关系理论的基础上，我们定义的因果关系作为一个因果结构与上下文，都涉及到一个领域的本体论，重点在于对这些影响因素的关键性的影响进行建模，通过一个合适的度量。为了评估建模质量，我们提出了各种量化指标，并在一个小例子上进行了评估。由于数据的可用性和质量对于有效估计因果查询的答案至关重要，我们还讨论了对真实世界和合成数据采集的要求。因此，我们致力于在安全流程的核心建立因果考虑因素，这是确保自动驾驶系统安全运行所迫切需要的。
2022-10-27 cs.AI stat.AP
CausalVAE: Structured Causal Disentanglement in Variational Autoencoder
University College London（伦敦大学学院）；The Hong Kong University of Science and Technology（香港科技大学）
针对真实场景中语义因子多存在因果依赖而非独立的问题，提出含因果层的CausalVAE框架，可学习可解释因果表示、识别DAG因果关系并生成反事实数据，且在一定监督下具备模型可识别性。
2023-12-19 cs.LG stat.ML
Efficient Causal Discovery for Autoregressive Time Series
Bloomberg（彭博）
本研究提出一种针对非线性自回归时间序列的基于约束的新算法，显著降低了计算复杂度，在合成数据集上表现优于现有方法且适用于有限数据场景，为高效准确的因果推断提供了实际应用潜力。
2025-07-10 cs.LG stat.AP
Optimizing Feature Selection in Causal Inference: A Three-Stage Computational Framework for Unbiased Estimation
Northeastern University（东北大学）
提出增强的三阶段计算框架优化因果推断中的特征选择，通过减少处理相关变量和虚假变量的影响来降低偏差与方差，并在合成数据和真实阿片类药物政策数据上验证了其优越性与可扩展性。
2025-02-01 cs.AI cs.LG stat.ME
A Novel Computational Framework for Causal Inference: Tree-Based Discretization with ILP-Based Matching
Department of Mechanical and Industrial Engineering（机械与工业工程系）
本文提出结合基于树的离散化技术与基于整数线性规划的匹配算法，以提升因果推断中的计算效率和ATT估计的准确性。
2026-05-06 cs.LG stat.ML
LLM-based Agents for Automated Confounder Discovery and Subgroup Analysis in Causal Inference
National Sun Yat-Sen University（中山大学）
提出基于LLM的智能体框架，将其集成至因果机器学习流程中，通过模拟领域专家知识实现自动混杂因素发现与亚组分析，在减少人工依赖的同时提升了处理效应估计的稳健性与可解释性。
2025-08-10 cs.AI cs.LG cs.MA
Accessible Computation of Tight Symbolic Bounds on Causal Effects using an Intuitive Graphical Interface
强不可检验假设在因果点估计中几乎是普遍存在的。在特定的设置中，可以推导出边界以缩小因果效应的可能范围。符号界限适用于所有可以使用相同的有向无环图（DAG）描述的设置，并用于相同的感兴趣效果。虽然推导符号界限的方法的核心以前已经开发，实施和计算的手段一直缺乏。我们的R-包causoptim旨在通过实现Sachs等人的方法来解决这个可用性问题。（2022 a）并通过shiny为用户提供图形界面，允许以大多数对因果推断感兴趣的研究人员熟悉的方式输入; DAG（通过点击体验）并使用熟悉的反事实符号指定感兴趣的因果效应。
2022-09-08 stat.CO
A probabilistic autoencoder for causal discovery
University of Zurich（苏黎世大学）
本文解决了两个相关变量之间的因果方向的问题。建议的解决方案是建立一个自动编码器的联合分布，并最大限度地提高其估计能力相对于两个边缘分布。它表明，由此产生的两个能力不能，在一般情况下，是相等的。这导致了因果发现的一个新标准：较高的容量与代表原因的分布的无约束选择一致，而较低的容量反映了机制对结果分布的约束。估计能力被定义为自动编码器表示任意数据集的能力。正则化项迫使它决定以更通用的方式对哪个变量进行建模，即，同时保持更高的模型容量。因果方向是通过编码数据时遇到的约束来揭示的，而不是作为数据本身的属性来测量。这个想法是实现和测试使用限制玻尔兹曼机。
2022-12-08 cs.LG q-fin.CP stat.ML
Towards Unsupervised Causal Representation Learning via Latent Additive Noise Model Causal Autoencoders
Nara Institute of Science and Technology（奈良科学技术大学）；Kyoto University（京都大学）；Ateneo de Manila University（马尼拉大学）
本文提出LANCA模型，通过加性噪声模型作为归纳偏置，实现无监督因果发现，优于现有方法在合成和真实环境中的表现。
2025-12-15 cs.LG stat.ML
Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
Princeton University（普林斯顿大学）；Peking University（北京大学）；Rutgers University（罗格斯大学）
本文证明异质环境下不变因果预测的判定问题是NP-hard的，导致计算高效算法的估计误差率任意缓慢；并在附加条件下提出一种兼具计算与统计高效性的分布鲁棒估计方法。
2025-01-29 cs.LG math.ST stat.ME
Automatic Debiased Machine Learning of Causal and Structural Effects
许多因果和结构效应依赖于回归。例子包括政策效应、平均衍生工具、回归分解、平均治疗效应、因果中介和经济结构模型的参数。回归可能是高维的，这使得机器学习很有用。将机器学习器插入到识别方程中可能会导致由于正则化和/或模型选择的偏差而导致的不良推断。本文给出了线性和非线性回归函数的自动去偏方法。在使用Lasso和感兴趣的函数时，去偏置是自动的，而不需要完整形式的偏置校正。去偏可以应用于任何回归学习器，包括神经网络，随机森林，Lasso，boosting和其他高维方法。除了提供的偏差校正，我们给出了标准误差，是强大的误设定，收敛速度的偏差校正，和原始条件的渐近推断估计的各种估计的结构和因果关系的影响。自动去偏机器学习用于估计新南威尔士州工作培训数据对接受治疗者的平均治疗效果，并根据尼尔森扫描仪数据估计需求弹性，同时允许偏好与价格和收入相关。
2022-10-21 econ.EM math.ST stat.TH
Variational Auto-Encoder Architectures that Excel at Causal Inference
University of Alberta（阿尔伯塔大学）；Amii（阿尔伯塔机器智能研究所）
从观测数据（无论是在个人或群体水平上）估计因果效应对于做出许多类型的决策至关重要。解决这一任务的一种方法是学习数据底层因素的分解表示;当存在混淆因素（影响原因和结果）时，这变得更具挑战性。在本文中，我们采用了一种生成方法，该方法基于变分自动编码器的最新进展，同时学习这些潜在因素以及因果效应。我们提出了一个渐进的模型序列，每个模型都比前一个模型有所改进，最终形成混合模型。我们的实证结果表明，所有这三个模型的性能优于两个国家的最先进的歧视，以及其他生成方法在文献中。
2021-11-11 cs.AI cs.LG stat.ML
Causal Inference by Identification of Vector Autoregressive Processes with Hidden Components
从非实验时间序列$X$进行因果推断的一种广泛应用的方法，通常被称为“（线性）格兰杰因果分析”，是对过去进行回归，并因果地解释回归矩阵$\hat{B}$。然而，如果存在影响$X$的未测量的时间序列$Z$，则该方法可能导致错误的因果结论，即，与如果具有诸如$Z$的附加信息则绘制的那些不同。在本文中，我们采取了不同的方法：我们假设$X$与一些隐藏的$Z$一起形成一个一阶向量自回归（VAR）过程的过渡矩阵$A$，并讨论为什么它是更有效的解释$A$的因果关系，而不是$\hat{B}$。然后，我们检查在哪些条件下，$A$的最重要的部分是可识别的或几乎可识别的只有$X$。基本上，充分条件是（1）非高斯、独立噪声或（2）没有从$X$到$Z$的影响。我们提出了两种估计算法，分别针对条件（1）和（2），并评估他们的合成和真实世界的数据。我们讨论了如何使用$X$检查模型。
2015-12-22 stat.ML
Deep Autoregressive Models as Causal Inference Engines
Center for Data Science（数据科学中心）；New York University（纽约大学）；Computer Science Columbia University（哥伦比亚大学计算机科学系）
本文提出一种基于序列化的自回归因果推断框架，能够处理复杂混杂因素和顺序动作，并用单一模型估计多个因果量，在迷宫导航、国际象棋残局和论文接收率评估等任务中验证了其有效性。
2025-07-04 cs.LG stat.ML
A Graph Autoencoder Approach to Causal Structure Learning
University of Toronto（多伦多大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）；Peking University（北京大学）
因果结构学习在过去的几十年里一直是一个具有挑战性的任务，一些主流的方法，如基于约束和分数的方法已经研究了理论保证。最近，一种新的方法将组合结构学习问题转化为一个连续的问题，然后使用基于梯度的优化方法来解决它。根据最近的最新技术水平，我们提出了一种新的基于梯度的方法来从观测数据中学习因果结构。该方法将最近的基于梯度的方法推广到图形自动编码器框架，该框架允许非线性结构方程模型，并且很容易适用于向量值变量。我们证明，在合成数据集上，我们提出的方法明显优于其他基于梯度的方法，特别是在大型因果图上。我们进一步研究了我们的方法的可扩展性和效率，并观察到一个接近线性的训练时间时，扩大图的大小。
2019-11-18 cs.LG stat.ML
Bayesian semi-parametric G-computation for causal inference in a cohort study with MNAR dropout and death
用观测的纵向数据和随时间变化的暴露量进行因果推断常常由于时间依赖的混杂和损耗而变得复杂。G计算公式是估计这种情况下因果效应的一种方法。在实践中通常使用的参数建模方法依赖于强建模假设来进行有效推断，并且还依赖于随机缺失的假设，当缺失是非随机缺失（MNAR）或由于死亡而缺失时，这是不合适的。在这项工作中，我们开发了一个灵活的贝叶斯半参数G-计算方法，用于评估的因果关系的影响，将生存的亚群，无论暴露，在设置MNAR辍学。该方法是使用贝叶斯加性回归树为观测数据指定模型，然后使用嵌入敏感性参数的假设来识别和估计因果效应。所提出的方法是出于对认知，健康和老龄化的纵向队列研究，我们应用我们的方法来研究成为寡妇对记忆的影响。我们还将我们的方法与几种标准方法进行了比较。
2020-10-12 stat.AP
From Causal Discovery to Dynamic Causal Inference in Neural Time Series
Lucy Family Institute for Data & Society（数据与社会卢西家族研究所）；University of Notre Dame（诺克斯达大学）；Political Science University of Notre Dame（政治学诺克斯达大学）
提出动态因果网络自回归（DCNAR）两阶段框架，通过神经自回归因果发现学习稀疏有向因果网络，并将其作为结构先验用于时变神经网络自回归，实现无需预设网络结构的动态因果推断。
2026-06-04 cs.AI cs.LG stat.AP
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
A Computational Theory for Efficient Mini Agent Evaluation with Causal Guarantees
Institute of Computing Technology Chinese Academy of Sciences（计算技术研究所中国科学院）
针对智能体评估成本高的问题，提出带因果保证的迷你智能体评估计算理论，构建评估模型并设计元学习器，大幅降低评估误差与时间。
2025-05-16 cs.AI cs.LG math.ST
Scalable Computation of Causal Bounds
Columbia University（哥伦比亚大学）
本文提出通过剪枝线性规划来高效计算含未观测混杂因子的因果查询界限，并扩展至分数LP及贪心启发式方法，显著提升可处理问题规模与运行效率。
2023-08-04 cs.LG stat.ML
Automated causal inference in application to randomized controlled clinical trials
University Hospital, University of Zurich（苏黎世大学医院）；Leiden University Medical Center（莱顿大学医学中心）；University of Groningen, University Medical Center Groningen（格罗宁根大学医学中心）；Erasmus MC Cancer Institute, University Medical Center Rotterdam（鹿特丹大学医学中心伊拉斯谟MC癌症研究所）；University Medical Center Utrecht（乌得勒支大学医学中心）；Maastricht Radiation Oncology Clinic（马斯特里赫特放射肿瘤诊所）；Medisch Spectrum Twente（特文特医疗集团）；Radiotherapiegroep（放射治疗集团）
随机对照试验（RCT）被认为是检验临床领域因果假设的金标准。然而，在一个假设的因果关系的途径，病人的预后变量的调查是不可行的，使用标准的统计方法。在这里，我们提出了一种新的自动因果推断方法（AutoCI）建立在不变的因果预测（ICP）框架的因果重新解释的临床试验数据。与现有的方法相比，我们表明，拟议的AutoCI允许有效地确定因果变量，在两个真实世界的子宫内膜癌患者的RCT中具有明确的分化，具有成熟的结局和广泛的临床病理学和分子数据。这是通过大幅抑制非因果变量的因果概率来实现的。在消融研究中，我们进一步证明了AutoCI对因果概率的分配在存在混杂因素的情况下保持一致。总之，这些结果证实了AutoCI在现实世界临床分析中未来应用的稳健性和可行性。
2022-01-20 cs.AI cs.LG stat.ME
Sequential Causal Normal Form Games: Theory, Computation, and Strategic Signaling
National University of Singapore（新加坡国立大学）
本文探讨了经典博弈论框架能否扩展以捕捉AI代理的有限理性与因果推理，通过引入顺序因果多智能体系统（S-CMAS），发现其在所有测试场景中无法提供福利改进，揭示了理性选择与因果推理的不兼容性。
2026-01-21 cs.GT cs.MA stat.ME
