CausalMoE: A Billion-Scale Multimodal Foundation Model for Granger Causal Discovery with Pattern-Routed Heterogeneous Experts
State Key Laboratory of General Artificial Intelligence, School of Intelligence Science and Technology, Peking University（北京大学智能科学与技术学院通用人工智能国家重点实验室）；National Institute of Health Data Science, and Institute for Artificial Intelligence, Peking University（北京大学健康医疗大数据国家研究院、人工智能研究院）
提出CausalMoE，一种十亿规模多模态格兰杰因果基础模型，通过模式路由混合异构专家解耦动态机制，结合因果自注意力与LLM/VLM先验，实现稀疏因果图恢复，在监督和少样本场景中达到最优。
2026-06-12 cs.AI cs.LG
Towards Human-like Perception: Learning Structural Causal Model in Heterogeneous Graph
Zhejiang University（浙江大学）；Worcester Polytechnic Institute（伍斯特理工学院）；Alibaba DAMO Academy（阿里巴巴达摩院）
本文提出 HG-SCM，将异质图构建为结构因果模型，利用图模式语义与因果发现自动学习任务级因果关系，在分布外场景中提升预测、泛化与可解释性。
2023-12-10 cs.AI cs.DL cs.LG
DAG-FM: A Foundation Model for Causal Discovery under Heterogeneous Causal Mechanisms
Zhejiang University（浙江大学）；Tsinghua University（清华大学）
针对观测表格数据因果发现难题，提出DAG-FM基础模型，通过自回归阶段、表格交互块及叶专家混合处理复杂情况，经迭代推理构建DAG，在合成及真实数据集上性能优于传统算法和其他模型。
2026-08-04 cs.LG stat.ML
Federated Causal Discovery from Heterogeneous Data
Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本文提出一种联邦因果发现方法，通过代理变量建模客户端数据异构性，并利用非参数的联邦条件独立性检验和联邦独立变化原则，在保护隐私的同时支持任意因果模型与异构数据。
2024-02-27 cs.AI cs.LG
Unsupervised Pairwise Causal Discovery on Heterogeneous Data using Mutual Information Measures
Alstom（阿尔斯通公司）
本文针对异构数据中的成对因果发现问题，提出一种基于稳健互信息度量的无监督方法，并提供了标准无偏基准结果，以替代依赖监督学习的现有基线，为未知环境下的因果发现提供参考。
2024-08-01 cs.AI cs.LG stat.ME
Data-Driven Estimation of Heterogeneous Treatment Effects
University of Southern California（南加州大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）；U.S. Securities and Exchange Commission（美国证券交易委员会）
本文综述了基于机器学习的异质处理效应数据驱动估计方法，将其分为反事实预测、直接估计因果效应及结构因果模型三类，并通过实验评估了现有估计器与性能指标的优劣。
2024-10-17 cs.AI cs.LG stat.ME
Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach
Southeast University（东南大学）；Monash University（莫纳什大学）；Beihang University（北京航空航天大学）；University of Seoul（首尔大学）
本文提出一种基于双重稳健学习的因果机器学习框架，利用RCM、CSVI和SCM估计不同类型高速公路碰撞事故对车速的异质性因果效应，通过4815起事故实验验证了方法的准确性和有效性。
2024-01-01 cs.LG stat.ML
Causal Discovery by Kernel Deviance Measures with Heterogeneous Transforms
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对现有基于RKHS嵌入的因果发现方法难以捕捉条件分布高阶结构变异性导致的因果不对称问题，提出带异构变换的核内在不变性测度KIIM-HT，经多数据集测试及参数分析验证了其有效性与鲁棒性。
2024-01-31 cs.LG stat.ML
Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding
fedCI-IOD通过联邦学习在潜在混杂因素下实现跨异构数据集的因果发现，提升统计功效并保护隐私。
2026-03-05 cs.AI cs.LG stat.ML
Spatially-Heterogeneous Causal Bayesian Networks for Seismic Multi-Hazard Estimation: A Variational Approach with Gaussian Processes and Normalizing Flows
Johns Hopkins University（约翰斯·霍普金斯大学）；Data Science and AI Institute, Johns Hopkins University（约翰斯·霍普金斯大学数据科学与人工智能学院）
本文提出空间异质因果贝叶斯网络 Spatial-VCBN，结合高斯过程与归一化流建模地震效应随地理位置变化的因果机制，在三次地震评估中 AUC 最高提升 35.2%，为灾害评估和应急资源分配提供支持。
2025-04-05 cs.LG stat.AP stat.ML
Heterogeneous Peer Effects in the Linear Threshold Model
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
线性阈值模型是一种广泛使用的模型，它描述了信息如何通过社交网络传播。根据这一模型，当一个人的邻居采用某个想法或产品的比例达到一定的阈值后，他就会采用这个想法或产品。线性阈值模型的典型应用假设阈值对于所有网络节点都是相同的或随机分布的，即使有些人可能比其他人更容易受到同伴压力的影响。为了解决个人层面的差异，我们提出了因果推理方法来估计个人的阈值，可以更准确地预测个人是否以及何时会受到同龄人的影响。本文引入异质性同伴效应的概念，建立了一个与线性阈值模型相对应的结构因果模型，该模型支持异质性同伴效应的识别和估计。我们开发了两种算法的个人阈值估计，一个基于因果树和因果元学习者的基础上。我们在合成数据集和真实数据集上的实验结果表明，我们提出的模型可以更好地预测线性阈值模型中的个体阈值，从而更准确地预测哪些节点会随着时间的推移而被激活。
2022-01-27 cs.LG cs.SI
Individual Causal Inference with Structural Causal Model
IBM（国际商业机器公司）
本文提出基于结构因果模型（SCM）的个体因果推断方法，利用外生变量编码个体变异，通过indiv算子和个体因果查询形式化个体化过程，实现对个体备选方案的推断。
2025-07-11 cs.AI cs.LG
Learning Unknown Intervention Targets in Structural Causal Models from Heterogeneous Data
Leiden University（莱顿大学）
针对结构因果模型中未知干预目标识别问题，提出两阶段方法，在更弱假设下得到更精准的候选目标集，实验验证了其有效性。
2024-03-09 cs.AI cs.IT cs.LG
Causal Discovery in Mixtures of Populations
Thayer School of Engineering（泰勒工程学院）；Dartmouth College（达特茅斯学院）；Fragment Data Technologies（碎片数据技术）；Department of Computer Science（计算机科学系）；California Institute of Technology（加州理工学院）
本文提出了一种在混合人口中识别因果结构的方法，通过聚类变量形成矩矩阵并利用其秩特性，无需假设结构方程或噪声函数，从而克服全局混淆挑战。
2026-07-13 cs.CC cs.LG math.ST
Identifiable Energy-based Representations: An Application to Estimating Heterogeneous Causal Effects
University of Cambridge（剑桥大学）；UCLA（加州大学洛杉矶分校）；The Alan Turing Institute（艾伦图灵研究所）
条件平均治疗效应（CATE）使我们能够了解大量个体的效应异质性。然而，典型的CATE学习者假设所有的混杂变量都被测量，以使CATE是可识别的。这一要求可以通过收集许多变量来满足，但代价是增加了估计CATE的样本复杂性。为了解决这个问题，我们提出了一个基于能量的模型（EBM），学习低维表示的变量，采用噪声对比损失函数。与我们的EBM，我们引入了一个预处理步骤，该预处理步骤对任何现有的学习估计CATE开发的维数灾难。我们证明，我们的EBM保持部分可识别的表示到一些普遍的常数，以及具有普遍的逼近能力。这些属性使表示收敛并保持CATE估计一致。实验证明了表征的收敛性，并且表明在我们的表征上估计CATE的性能优于通过其他降维方法获得的变量或表征。
2022-01-30 cs.LG stat.ML
Inferring Heterogeneous Causal Effects in Presence of Spatial Confounding
Uppsala University（乌普萨拉大学）
我们解决的问题，推断的因果关系影响的曝光结果在整个空间，使用观测数据。数据可能会受到未测量的混杂变量的影响，在标准方法中，必须通过估计滋扰函数进行调整。在这里，我们开发了一种方法，消除滋扰功能，同时减轻由此产生的错误的变量。其结果是一个强大的和准确的空间变化的异质因果效应的推断方法。该方法的性能证明合成以及来自德国和美国的实际数据。
2019-06-03 cs.LG stat.ME stat.ML
Heterogeneous causal effects with imperfect compliance: a Bayesian machine learning approach
Harvard University（哈佛大学）；KU Leuven（鲁汶大学）；IMT School for Advanced Studies（IMT高等研究院）
本文介绍了一种创新的贝叶斯机器学习算法，用于在存在不完美依从性的情况下（例如，不定期分配机制）。我们表明，通过蒙特卡罗模拟，提出的贝叶斯因果森林与工具变量（BCF-IV）的方法优于其他机器学习技术的因果推断中发现和估计的异质因果效应，同时控制familywise错误率（或-不太严格-为错误发现率）在叶子的水平。第四个生物多样性合作框架揭示了工具变量假设情景中因果效应的异质性，从而为决策者提供了有针对性的政策的相关工具。其实证应用评估的影响，额外的资金对学生的表现。研究结果显示，BCF-IV可用于提高学校资助对学生表现的有效性。
2021-11-30 cs.LG stat.ME stat.ML
Causal Discovery with Heterogeneous Observational Data
我们考虑的问题，因果发现（结构学习）从异质观测数据。大多数现有的方法假设一个均匀的抽样方案，这导致误导性的结论时，违反了在许多应用中。为此，我们提出了一种新的方法，利用数据的异质性来推断因果关系不足的系统可能循环因果结构。核心思想是将直接因果效应建模为外源协变量的函数，从而正确解释数据的异质性。我们研究所提出的模型的结构可识别性。结构学习以完全贝叶斯的方式进行，这提供了自然的不确定性量化。我们通过大量的模拟和现实世界的应用程序证明了它的实用性。
2022-01-28 stat.ME
Estimating heterogeneous treatment effects with right-censored data via causal survival forests
Zhejiang University（浙江大学）；UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Stanford University（斯坦福大学）；UIUC（伊利诺伊大学厄巴纳-香槟分校）
基于森林的方法最近在非参数处理效应估计中得到普及。在这一工作的基础上，我们引入了因果生存森林，它可用于估计异质性处理效应的生存和观察设置的结果可能是右删失。我们的方法依赖于正交估计方程，以鲁棒地调整下unconfoundness的删失和选择效果。在我们的实验中，我们发现我们的方法相对于一些基线表现良好。
2023-02-28 cs.LG stat.ME stat.ML
Causal isotonic calibration for heterogeneous treatment effects
University of Washington（华盛顿大学）；University of Pennsylvania（宾夕法尼亚大学）
针对异质性处理效应预测器的校准问题，提出非参数因果等渗校准及无需留出集的交叉校准，并证明其在弱条件下具有快速双重稳健速率和无分布保证。
2023-06-06 cs.LG stat.ME stat.ML
On Heterogeneous Treatment Effects in Heterogeneous Causal Graphs
North Carolina State University（北卡罗来纳州立大学）；University of California Irvine（加州大学欧文分校）；University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校）
针对医疗保健中的异质性与共病性挑战，本文提出异质因果图（HCGs）以刻画基于调节因子的异质因果效应（HCEs），推导了其理论性质，并开发交互式结构学习方法进行估计，经模拟与创伤幸存者精神障碍数据验证了有效性。
2023-06-25 cs.LG stat.AP stat.ME
Heterogeneous causal effects of neighborhood policing in New York City with staggered adoption of the policy
在纽约市，2015-2018年在警察分局一级采用了邻里警务，这对（1）评估政策的影响，以及（2）了解哪些类型的社区受政策影响最大，提出了异质处理效应的问题。我们开发了新的统计方法，是强大的不可测量的混杂偏见，研究在社区层面上实施的政策的因果关系的影响。我们发现，邻里警务减少了城市某些地区的自由裁量逮捕，但对犯罪或逮捕率的种族差异几乎没有影响。
2023-01-23 stat.ME
An Adaptive Kernel Approach to Federated Learning of Heterogeneous Causal Effects
National University of Singapore（新加坡国立大学）；Roche AG（罗氏公司）；Harvard University（哈佛大学）
我们提出了一个新的因果推理框架，从联邦环境中的多个分散的数据源中学习因果效应。我们引入了一种自适应传输算法，该算法通过利用随机傅立叶特征将损失函数分解为多个分量来学习数据源之间的相似性，每个分量与一个数据源相关联。数据来源可能有不同的分布;因果效应是独立和系统地纳入。该方法通过传递系数估计源之间的相似性，因此不需要关于相似性度量的先验信息。可以估计异质因果效应，而无需在源之间共享原始训练数据，从而最小化隐私泄漏的风险。我们还提供了极大极小下限来评估从不同来源学习的参数的质量。经验表明，所提出的方法在具有不同分布的分散数据源上优于基线。
2023-01-01 cs.AI cs.LG stat.ME
Bayesian regression tree models for causal inference: regularization, confounding, and heterogeneous effects
本文提出了一种新的非线性回归模型，用于从观察数据中估计异质性处理效应，特别适用于效应量小、异质性效应和强混杂的情况。标准的非线性回归模型，可以很好地预测，有两个显着的弱点时，用于估计异质性处理效应。首先，当拟合具有强混杂的数据时，它们可能产生严重偏倚的处理效应估计值。本文提出的贝叶斯因果森林模型通过直接将倾向函数的估计值引入响应模型的规范中来避免这个问题，隐式地在回归函数上诱导协变量依赖的先验。其次，响应面建模的标准方法不能充分控制效应异质性的正则化强度。贝叶斯因果森林模型允许将处理效应异质性与控制变量的预后效果分开进行正则化，从而可以在信息上“缩小到同质性”。我们通过重新分析一项评估吸烟对医疗支出的因果影响的观察性研究以及广泛的模拟研究来说明这些好处。
2019-11-13 stat.ME
A Large-Scale Empirical Comparison of Meta-Learners and Causal Forests for Heterogeneous Treatment Effect Estimation in Marketing Uplift Modeling
本文通过Criteo Uplift v2.1数据集对比四种CATE估计器，发现S-Learner在Qini系数上表现最佳，且在提升转化率方面有显著提升，同时揭示了异质治疗效应的主要驱动因素。
2026-04-07 cs.LG econ.EM stat.CO
Bayesian Causal Synthesis for Meta-Inference on Heterogeneous Treatment Effects
本文提出 Bayesian causal synthesis，通过综合多个因果估计并识别综合函数，在模型误设和未观测混杂下实现异质性处理效应的一致估计，并以模拟和实证验证其优势。
2024-05-08 stat.ME
Causal Inference by Quantile Regression Kink Designs
分位数回归扭结设计（QRKD）是一种在合适的研究设计下评估异质性处理效应的潜在方法，但其因果解释尚不清楚。我们提出了一个因果解释的QRKD估计。在灵活的异质性和内生性下，QRKD被估量在给定设计的扭结点的结果的相应条件分位数处测量异质性边际效应的加权平均值。此外，我们开发的QRKD估计作为一个局部分位数过程的目的进行统计推断异质性处理效应使用QRKD的弱收敛结果。应用我们的方法连续工资和福利历史项目（CWBH）的数据，我们发现显着异质性的正因果关系的影响，失业保险金的失业持续时间在路易斯安那州1981年和1983年之间。这些影响对于失业时间较长的个人来说更大。
2017-12-14 stat.ME
Split-Treatment Analysis to Rank Heterogeneous Causal Effects for Prospective Interventions
Georgia Institute of Technology（佐治亚理工学院）；Microsoft Research India（微软印度研究院）；Microsoft（微软）；Microsoft Research AI（微软人工智能研究院）
对于许多类型的干预，如新广告，营销干预或功能推荐，重要的是要针对特定的人群子集，以最小的成本或潜在的伤害最大化其利益。然而，一个关键的挑战是，由于尚未部署这种前瞻性干预措施，因此没有关于其效果的数据。在这项工作中，我们提出了一个分裂治疗分析，排名个人最有可能受到积极影响的前瞻性干预使用过去的观察数据。与标准的因果推断方法不同，分割处理方法不需要对目标处理本身进行任何观察。相反，它依赖于由目标治疗引起的代理治疗的观察。在合理的假设下，我们证明了基于替代治疗的异质性因果效应的排序与基于目标治疗效应的排序是相同的。在没有任何用于交叉验证的干预性数据的情况下，分割治疗使用敏感性分析对未观察到的混杂因素进行选择模型参数。我们将分割处理应用于模拟数据和大规模的现实目标任务，并通过后者的随机实验验证我们发现的排名。
2020-11-11 cs.LG stat.ME
Heterogeneous Treatment Effects and Causal Mechanisms
Duke University（杜克大学）；New York University（纽约大学）
本文探讨了异质性处理效应如何支持因果机制的推断，指出需额外假设才能证明机制激活，并提供新的解释和研究设计指导。
2025-11-21 econ.EM stat.ME
Estimating Heterogeneous Causal Mediation Effects with Bayesian Decision Tree Ensembles
因果推断文献越来越多地认识到，明确针对处理效应异质性可以提高科学认识和政策建议。为了达到同样的目的，研究治疗与结果之间的因果关系也是有用的。本文将在\emph{causal mediation analysis}的背景下解决这些问题。我们引入了一个基于贝叶斯加性回归树的变系数模型来识别和规范异质因果中介效应;类似于线性结构方程模型，这些效应对应于系数的协变量依赖性产物。我们发现，即使在协变量很少的大型数据集上，LSEM也可以对条件平均直接和间接效应产生高度不稳定的估计，而我们的\emph{Bayesian causal mediation forests}模型产生稳定的估计。我们发现，我们的方法是保守的，效果估计“缩小到同质性。我们使用来自医疗支出面板调查的数据和基于模拟数据的数据来检查我们方法的显著特性。最后，我们展示了如何将我们的模型与后验总结策略相结合，以识别有趣的子群并解释模型拟合。
2023-03-02 stat.AP stat.ME
Shrinkage Bayesian Causal Forests for Heterogeneous Treatment Effects Estimation
University College London（伦敦大学学院）
本文开发了一个稀疏诱导版本的贝叶斯因果森林，最近提出的非参数因果回归模型，采用贝叶斯加性回归树，是专门设计来估计异质性处理效应使用观察数据。我们引入的稀疏诱导成分是由实证研究激发的，其中并非所有可用的协变量都是相关的，从而导致在估计个体处理效应时感兴趣的表面的稀疏程度不同。在这项工作中提出的扩展版本，我们称之为收缩贝叶斯因果森林，配备了一对额外的先验，允许模型通过树集合中相应的分裂数来调整每个协变量的权重。这些先验提高了模型对稀疏数据生成过程的适应性，并允许在处理效应估计的框架中执行完全贝叶斯特征收缩，从而揭示驱动异质性的调节因素。此外，该方法允许将有关相关混杂协变量及其对结果影响的相对幅度的先验知识纳入模型中。我们说明了我们的方法在模拟研究中的性能，与贝叶斯因果森林和其他最先进的模型相比，展示了它如何随着协变量数量的增加而扩展，以及它如何处理强烈混淆的场景。最后，我们还提供了一个使用真实世界数据的应用程序的例子。
2021-11-16 cs.LG stat.ME stat.ML
Discussion on "Bayesian Regression Tree Models for Causal Inference: Regularization, Confounding, and Heterogeneous Effects" by Hahn, Murray and Carvalho
Hahn等人（2020）提供了一项广泛的研究，以解释和评估BCF模型在不同环境中的性能，并详细讨论了其在因果推断中的效用。这是一个受欢迎的除了因果机器学习文献。我将通过两个主题的讨论来强调BCF模型对因果推断领域的贡献：1）BCF模型中的PS和贝叶斯更新方法中的贝叶斯PS之间的差异，2）基于因果效应估计方法的结果建模中PS的作用的另一种阐述。最后，我将对未来涉及BCF的研究途径发表评论，这在大数据时代将是重要的和急需的。
2021-08-05 stat.ME stat.OT
Graph-Split Bayesian Causal Forest for Spatial Heterogeneous Treatment Effect Estimation
Texas A&M University（德克萨斯农工大学）；Shell USA Inc（壳牌美国公司）
针对空间观测研究中处理效应随空间变化且受空间混杂影响的问题，提出图分裂贝叶斯因果森林（GSBCF），融合GS-BART与贝叶斯因果森林框架，通过图引导分裂规则建模空间结构，实现更精确的HTE估计与不确定性量化。
2026-09-30 stat.ME stat.ML
A New Causal Rule Learning Approach to Interpretable Estimation of Heterogeneous Treatment Effect
本文提出一种因果规则学习方法，用于可解释性地估计心房间隔缺损的异质治疗效应，通过规则发现、选择和分析步骤提升模型的可解释性与准确性。
2025-11-21 cs.LG stat.ME stat.ML
Non parametric estimation of causal populations in a counterfactual scenario
Dauphine-PSL University（巴黎第九大学-巴黎文理大学）
在因果关系中，估计治疗的效果而不混淆推断仍然是一个主要问题，因为需要评估治疗和不治疗两种情况下的结果。由于不能同时观察这两种情况，估计潜在结果仍然是一项具有挑战性的任务。我们提出了一种创新的方法，将问题重新表述为缺失的数据模型。目的是估计\emph{causal populations}的隐藏分布，定义为治疗和结局的函数。因果自动编码器（CAE），增强了依赖于治疗和结果信息的先验，同化潜在空间的目标人群的概率分布。特征在被减少到潜在空间并受到网络中间层中引入的包含治疗和结果信息的掩模的约束后被重建。
2021-12-08 cs.LG stat.ME
s-ID: Causal Effect Identification in a Sub-Population
EPFL（洛桑联邦理工学院）
针对仅能获取子总体观测数据的因果效应识别问题，提出 s-ID 问题，给出因果图中可识别的充分必要条件，并提供了一种可靠且完备的算法。
2024-01-08 cs.AI cs.LG stat.ME
Maximum Entropy Estimation of Heterogeneous Causal Effects
该研究针对因果推断中无强可忽略处理分配假设的场景，提出用最大熵原理估计异质性因果效应的方法，得出关联部分虚假部分因果的审慎结论，并应用于大麻与硬毒品使用的关联分析。
2024-07-11 stat.ME
Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models
University of Notre Dame（内布拉斯加大学）
本文提出协变量调整深度因果学习（CoDEAL），结合非线性协变量组件与多输出自编码器因子结构，以估计面板数据中的异质性处理效应，并通过矩阵补全实现反事实插补，理论保证收敛且实证表现优异。
2026-11-10 cs.LG econ.EM stat.ME
Estimating Heterogeneous Treatment Effects for Spatio-Temporal Causal Inference
University of Florida（佛罗里达大学）；Harvard University（哈佛大学）；Dartmouth College（达特茅斯学院）
该研究针对时空因果推断的空间溢出和时间延续问题，提出Hajek型CATE估计量及相关检验，通过模拟验证性能，并应用于美国空袭对伊拉克叛乱暴力影响的分析，发现与反叛乱理论预期相反的结果。
2026-08-05 stat.ME
Causality Pursuit from Heterogeneous Environments via Neural Adversarial Invariance Learning
Princeton University（普林斯顿大学）；Peking University（北京大学）
针对跨异质环境的因果挖掘难题，本文提出FAIR框架及对应的FAIR-NN模型，通过极小极大对抗优化识别不变准因果变量，经理论分析与实验验证了方法的有效性。
2025-11-17 cs.LG math.ST stat.ME
Causal rule ensemble method for estimating heterogeneous treatment effect with consideration of main effects
本研究提出基于RuleFit和S-learner的因果规则集成框架，通过引入主效应和处理效应规则项实现可解释的异质性处理效应估计，数值模拟和实际数据验证了其性能与解释性。
2023-07-27 stat.ME
GCF: Generalized Causal Forest for Heterogeneous Treatment Effect Estimation in Online Marketplace
Didi Chuxing（滴滴出行）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
可持续性建模是一种快速发展的方法，它利用因果推断和机器学习方法直接估计异质处理效应，近年来已广泛应用于各种在线市场，以辅助大规模决策。现有的流行模型，如因果森林（CF），是有限的，要么离散的治疗或提出参数假设的结果，治疗关系，可能遭受模型误指定。然而，连续治疗（例如，价格、期限）经常出现在市场上。为了减轻这些限制，我们使用基于核的双重鲁棒估计恢复非参数剂量反应函数，可以灵活地模拟连续的处理效应。此外，我们提出了一个通用的基于距离的分裂标准，以捕捉连续治疗的异质性。我们称该算法为广义因果森林（GCF），因为它将CF的用例推广到更广泛的设置。我们证明了GCF的有效性，通过推导估计量的渐近性质，并将其与合成数据集和真实数据集上流行的隆升建模方法进行比较。我们在Spark上实现了GCF，并成功地将其部署到一家领先的乘车共享公司的大规模在线定价系统中。在线A/B测试结果进一步验证了GCF的优越性。
2022-09-23 cs.LG stat.AP stat.ME
Empirical Analysis of Model Selection for Heterogeneous Causal Effect Estimation
Mila, Université de Montréal（蒙特利尔大学Mila研究所）；Stanford University（斯坦福大学）
本文针对条件平均处理效应（CATE）估计的模型选择问题，通过AutoML调参和生成式建模引入真实数据集，对多种替代指标进行广泛基准测试，提出了基于超参数选择和因果集成的新策略。
2024-04-29 cs.AI cs.LG stat.ME
A causal fused lasso for interpretable heterogeneous treatment effects estimation
提出基于融合套索的因果方法，通过得分排序匹配样本并自适应形成亚组，估计可解释的异质性治疗效果，实验证明其性能与最先进方法相当。
2025-08-08 stat.ME
A Latent Mixture Model for Heterogeneous Causal Mechanisms in Mendelian Randomization
孟德尔随机化（MR）是流行病学和遗传学中的一种流行方法，它使用遗传变异作为工具变量进行因果推断。现有的MR方法通常假设大多数遗传变异是识别共同因果效应的有效工具变量。人们普遍没有意识到，即使所有的工具变量都是有效的，当涉及多个因果通路时，也可能违反这种效应同质性假设。在这篇文章中，我们介绍了一个潜在的混合模型MR-PATH，该模型将产生相似因果效应估计的工具分组在一起。我们开发了一个Monte-Carlo EM算法来拟合这个混合模型，推导出近似的置信区间的不确定性量化，并采用一个修改的贝叶斯信息准则（BIC）的模型选择。我们使用数值模拟来验证Monte-Carlo EM算法、置信区间和模型选择准则的有效性。我们确定潜在的机制异质性时，应用我们的方法来估计高密度脂蛋白胆固醇对冠心病的影响和肥胖对II型糖尿病的影响。
2022-06-14 stat.AP stat.ME
CausalMetaR: An R package for performing causally interpretable meta-analyses
本文介绍 R 软件包 CausalMetaR，利用多源数据和双重稳健、非参数高效估计及机器学习交叉拟合，估计内部或外部目标人群的总体与子组因果效应。
2024-07-02 stat.CO stat.ME
Note on the Delta Method for Finite Population Inference with Applications to Causal Inference
本文探讨Delta方法与有限总体中心极限定理结合，以推导因果估计量的渐近分布和方差，并通过因果比率估计量示例展示其应用。
2022-06-01 stat.ME
Bayesian nonparametric mixtures of categorical directed graphs for heterogeneous causal inference
本文提出基于分类DAG的狄利克雷过程混合模型，在个体层面进行异质性因果推断，并通过模拟和乳腺癌心脏毒性数据验证其有效性。
2024-08-31 stat.AP stat.ME
Estimation of heterogeneous principal effects under principal ignorability
School of Statistics, University of Minnesota（明尼苏达大学统计学院）；Division of Biostatistics and Health Data Science, School of Public Health, University of Minnesota（明尼苏达大学公共卫生学院生物统计与健康数据科学系）
本文提出在主忽略性假设下估计异质主因果效应的方法框架，开发了多种稳健性不同的估计量，并通过实验证明其在高维情况下的性能。
2026-03-09 stat.ME stat.ML
Data Integration in Causal Inference
整合来自多个异质来源的数据已变得越来越流行，以实现大样本量和多样化的研究人群。本文回顾了因果推断方法的发展，该方法结合了从潜在异质性人群中通过潜在不同设计收集的多个数据集。我们总结了随机临床试验与观察性研究或历史对照的外部信息相结合的最新进展，当没有单个样本具有所有相关变量时，将样本组合起来应用于双样本孟德尔随机化，在隐私问题下使用真实世界数据进行比较有效性和安全性研究的分布式数据设置，贝叶斯因果推断和因果发现方法。
2021-10-03 stat.ME
Heterogeneous Responses to Continuous Treatments: A Cluster-Based Causal Framework
Sapienza University of Rome（罗马大学）；University of Molise（莫利塞大学）；University of Campania Luigi Vanvitelli（坎帕尼亚路易吉范维泰利大学）
本文提出基于聚类的因果框架，用于估计连续处理强度与结果之间的异质因果关系，通过分析欧洲凝聚力基金与经济增长的关系，揭示不同地区对资金的响应差异。
2026-03-04 econ.EM stat.ME
Anchor regression: heterogeneous data meets causality
我们考虑从一组协变量中预测一个响应变量的问题，这些协变量在一个数据集上的分布与训练数据不同。因果参数是最佳的预测精度，如果在新的分布中，许多变量受到影响的干预措施或只有一些变量受到影响，但扰动很强。如果训练分布和测试分布相差一个偏移，那么因果参数可能过于保守，无法很好地执行上述任务。这激发了锚回归，一种利用外生变量通过考虑最小二乘损失的修改来解决因果极大极小问题的松弛的方法。该过程自然地提供了普通最小二乘和两阶段最小二乘的解决方案之间的插值。我们证明了估计满足预测保证的分布鲁棒性对线性类中的移位，这些保证是有效的，即使违反了工具变量的假设。如果锚回归和最小二乘法提供相同的答案（锚稳定性），我们建立OLS参数在某些分布变化下是不变的。锚回归的经验表明，以提高可复制性和防止分布的变化。
2020-05-08 stat.ME
Extracting Mechanisms from Heterogeneous Effects: An Identification Strategy for Mediation Analysis
Duke University（杜克大学）
本文提出一种新的识别策略，同时估计处理和中介效应，结合显性与隐性中介分析，利用异质处理效应，无需处理未观察到的混杂因素，通过蒙特卡洛模拟验证其准确性，应用于公共资源治理和投票信息研究。
2026-05-10 econ.EM stat.ME
Nonparametric heterogeneous causal mediation with orthogonal machine learning
Yale School of Public Health（耶鲁大学公共卫生学院）
提出正交机器学习框架估计条件异质性中介效应，通过加权Neyman正交损失和两阶段元学习实现，模拟中误差降低超50%，并在三个数据集上揭示异质性效应。
2026-09-10 stat.ME
