VLUCI: Variational Learning of Unobserved Confounders for Counterfactual Inference
Jilin University（吉林大学）；Baidu（百度）
针对未观测混杂因子扭曲因果推断的问题，提出变分学习模型VLUCI，通过解耦观测与未观测混杂因子构建双重变分推断，提升反事实推断准确性并提供置信区间。
2023-09-07 cs.AI cs.LG stat.ME
Learning Representations for Counterfactual Inference
Chalmers University of Technology（查尔姆斯理工大学）；New York University（纽约大学）
由于医疗、教育、就业和生态等领域数据的广泛积累，观察性研究的重要性正在上升。我们考虑的是回答反事实问题的任务，例如，“如果这个病人接受了不同的药物治疗，她的血糖会降低吗？".我们提出了一个新的反事实推理算法框架，它汇集了域适应和表示学习的思想。除了理论上的理由，我们进行了实证比较与以前的方法，从观测数据的因果推断。我们的深度学习算法明显优于以前的最先进技术。
2018-06-06 cs.AI cs.LG stat.ML
From What Ifs to Insights: Counterfactuals in Causal Inference vs. Explainable AI
Institute of Service Science, National Tsing Hua University（服务科学研究所，国立清华大学）；Faculty of Business and Economics, University of Antwerp（商学院与经济学院，安特卫普大学）；Copenhagen Business School（哥本哈根商学院）
该研究对比了因果推断（CI）与可解释人工智能（XAI）领域中反事实概念的使用、评估、生成及落地差异，提出涵盖二者的正式定义，旨在发掘两领域交叉融合的机遇。
2025-05-19 cs.AI cs.LG econ.EM
Counterfactual Generative Modeling with Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Genentech（基因泰克公司）
针对高维结果下个体反事实预测难题，提出变分贝叶斯因果推断框架，无需反事实样本即可端到端监督并解耦外生噪声，在多个基准上优于现有方法。
2025-03-18 cs.AI cs.LG math.ST
Counterfactual Cross-Validation: Stable Model Selection Procedure for Causal Inference Models
Tokyo Institute of Technology（东京工业大学）；CyberAgent, Inc（CyAgent公司）
研究条件平均处理效应（CATE）预测中的模型选择问题。与以前的作品在这个主题上，我们专注于保持候选CATE预测的性能的排名顺序，使准确和稳定的模型选择。为此，我们分析了模型性能排名问题，并制定准则，以获得更好的评价指标。然后，我们提出了一种新的度量，可以识别CATE预测器的性能具有高置信度的排名。实证评估表明，我们的度量优于现有的度量在模型选择和超参数调整任务。
2020-07-16 cs.LG stat.ML
Counterfactual inference in sequential experiments
Department of Operations Research and Information Engineering, Cornell Tech（Cornell Tech 运营研究与信息工程系）；Department of Statistics, Harvard University（哈佛大学统计学系）；School of Information, University of Michigan（密歇根大学信息学院）；Department of Electrical Engineering and Computer Science, Massachusetts Institute of Technology（麻省理工学院电气工程与计算机科学系）
针对自适应序贯实验，本文提出反事实均值的非参数潜在因子模型与最近邻估计方法，建立逐单元逐时间点的高概率误差界和渐近置信区间。
2025-06-08 cs.LG stat.ML
Causal and Counterfactual Views of Missing Data Models
Emory University（埃默里大学）；Williams College（威廉姆斯学院）；Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard University（哈佛大学）
本文提出将缺失数据问题视为一种因果推断形式，通过反事实变量和图模型统一缺失数据识别与因果识别理论，并比较两者的异同。
2024-11-20 cs.LG stat.ME stat.ML
Counterfactual Inference under Thompson Sampling
aampe
本文针对汤普森采样下的反事实推断难题，推导了精确可计算的动作倾向表达式，从而支持离线策略估计，实现推荐系统的无偏离线评估及在线广告等场景的因果推断应用。
2025-07-08 cs.IR cs.LG stat.ME
Conservative Inference for Counterfactuals
针对因果推断中反事实联合分布不可识别的问题，利用最优传输理论证明对应最小处理效应的保守分布可识别，从而界定因果效应并推断个体反事实剂量-反应曲线。
2023-10-19 math.ST stat.ME stat.TH
A Practical Guide to Counterfactual Estimators for Causal Inference with Time-Series Cross-Sectional Data
本文介绍了一个简单的框架，反事实估计因果推断与时间序列横截面数据，其中我们估计的平均处理效应的治疗直接归因于反事实的结果治疗观察。在此框架下，我们讨论了几个新的估计，包括固定效应反事实估计，交互式固定效应反事实估计，矩阵完成估计。当处理效应具有异质性或存在未观察到的时变混杂因素时，它们提供了比传统的双向固定效应模型更可靠的因果估计。此外，我们提出了一个新的动态处理效应图，以及几个诊断测试，以帮助研究人员衡量识别假设的有效性。我们用两个政治经济学的例子来说明这些方法，并在R和Stata中开发了一个开源包fect，以促进实施。
2022-08-14 stat.AP stat.ME
An Exact and Robust Conformal Inference Method for Counterfactual and Synthetic Controls
我们引入了新的推理程序的反事实和合成控制法的政策评估。我们将因果推断问题重新定义为一个反事实预测和一个结构突变检验问题。这使我们能够利用共形预测和结构突变测试的见解，开发置换推理程序，以适应现代高维估计，在弱和易于验证的条件下是有效的，并且可以证明对误指定是鲁棒的。我们的方法与许多不同的方法一起工作，在没有政策干预的情况下预测反事实的平均结果。示例包括合成控制、差异中的差异、因子和矩阵完成模型以及（融合）时间序列面板数据模型。我们的方法在模拟中表现出出色的小样本性能，并被用于数据应用，我们重新评估室内卖淫合法化的后果。用于实现我们的共形推理方法的开源软件是可用的。
2021-05-20 econ.EM stat.ME
Function Driven Diffusion for Personalized Counterfactual Inference
我们考虑的问题，构建扩散算子高维数据$X$，以解决反事实的功能$F$，如个性化的治疗效果。我们提出并构建了一个新的扩散度量$K_F$，它既捕获了局部几何的$X$和方差的方向$F$。然后使用所得的扩散度量来定义$F$的局部过滤，并逐点回答反事实问题，特别是在诸如药物试验的情况下，其中无法长期研究服用和不服用药物的个体患者的结果。我们在合成和真实世界的临床试验中验证了该模型，并创建了从治疗中获益的个性化概念。
2017-04-12 stat.ML
De-confounding Representation Learning for Counterfactual Inference on Continuous Treatment via Generative Adversarial Network
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；Baidu（百度）
针对连续处理反事实推理中现有方法依赖参数模型、仅消除线性混杂的问题，提出基于生成对抗的DRL去混杂表示框架，可消除非线性依赖，在合成和真实医学数据集上表现优于前沿模型。
2023-07-24 cs.AI cs.LG stat.ME
Sample size planning for conditional counterfactual mean estimation with a K-armed randomized experiment
Adobe Inc.（奥多比公司）
针对K臂随机实验中数据驱动子群体的条件反事实均值估计问题，提出将样本量规划转化为同时推断问题的方法，可推导对应样本量或反向求解可行的处理臂数与划分复杂度，并在公开数据集上验证了性能保证。
2024-03-06 cs.LG stat.ME stat.ML
Cost-Effective Incentive Allocation via Structured Counterfactual Inference
University of California, Berkeley（加州大学伯克利分校）；Ant Financial Service Group（蚂蚁金融服务集团）；Georgia Institute of Technology（佐治亚理工学院）；Shanghai Jiao Tong University（上海交通大学）
我们解决了一个普遍存在于现代营销活动中的实际问题，在这个问题中，中央代理试图学习一个政策，用于向客户分配战略性的财务激励措施，并只观察到强盗反馈。与传统的政策优化框架相比，我们考虑到在这种情况下常见的额外的奖励结构和预算约束，并开发了一个新的两步法来解决这个约束反事实的政策优化问题。我们的方法首先铸造的奖励估计问题作为一个补充结构的域适应问题，然后使用的估计优化的政策约束。我们还建立了我们的估计过程的理论误差范围，我们的经验表明，该方法导致显着改善合成和真实的数据集。
2019-11-11 cs.LG stat.ML
Causal Generative Explainers using Counterfactual Inference: A Case Study on the Morpho-MNIST Dataset
Dalhousie University（达尔豪斯大学）
本文利用因果生成学习与反事实推断，提出针对图像分类器的可解释方法，包括像素级影响分析、基于蒙特卡洛的属性重要性估计及反事实解释优化，并在 Morpho-MNIST 上验证其可解释性优于 OmnixAI。
2024-01-21 cs.LG
Counterfactual (Non-)identifiability of Learned Structural Causal Models
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）
概率生成建模的最新进展促使使用深度条件生成模型（也称为深度结构因果模型（DSCM））从观测数据集学习结构因果模型（SCM）。如果成功，DSCM可以用于因果估计任务，例如，回答反事实的问题在这项工作中，我们警告从业者，即使在没有未观察到的混淆和假设已知的因果结构的情况下，从观察数据中得出的反事实推断也是不可识别的。我们证明了具有一维外生变量的单调生成机制的反事实可识别性。对于一般的生成机制与多维外生变量，我们提供了一个不可能的结果，反事实的可识别性，激励参数假设的需要。作为一种实用的方法，我们提出了一种方法来估计学习DSCM的反事实预测的最坏情况下的错误。这个错误的大小可以是决定DSCM是否是在特定问题设置中进行反事实推理的可行方法的基本度量。在评估中，我们的方法确认可以忽略不计的反事实错误的可识别的SCM从以前的工作，也提供了翔实的错误界限上的反事实错误的不可识别的合成SCM。
2023-01-22 cs.LG stat.ML
Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects
University of New South Wales（新南威尔士大学）；Data61, CSIRO（澳大利亚联邦科学与工业研究组织Data61部门）
我们经常考虑在实践中回答反事实的问题，比如“如果糖尿病患者选择另一种药物，他们会好转吗？".观察性研究由于其广泛的积累和比随机对照试验（RCT）更容易获得，在回答这些问题方面的意义越来越大。近年来，一些研究将表示学习和领域自适应引入反事实推理。然而，目前大多数的工作集中在设置的二进制处理。没有人认为不同治疗的样本量是不平衡的，特别是由于用户固有的偏好，某些治疗组的数据实例相对有限。在本文中，我们设计了一个新的算法框架，反事实推理，这带来了一个想法，从元学习估计个别治疗效果（MetaITE），以填补上述研究空白，特别是考虑到多个不平衡的治疗。具体来说，我们认为数据事件之间的处理组在反事实推理的元学习任务。我们训练一个元学习者从一组源处理组与足够的样本和更新模型的梯度下降与有限的样本在目标处理。此外，我们引入了两个互补的损失。一个是多源处理的监督损失。另一个损失，对齐各治疗组之间的潜在分布，建议减少的差异。我们在两个真实世界的数据集上进行实验，以评估推理精度和泛化能力。实验结果表明，该模型MetaITE匹配/优于国家的最先进的方法。
2022-08-13 cs.LG stat.ME
Inference on Nonlinear Counterfactual Functionals under a Multiplicative IV Model
本文研究乘法 IV（MIV）模型，证明其可识别并推断由矩方程刻画的非线性反事实泛函，提出高效、多重稳健且渐近有效的估计推断方法。
2025-08-28 stat.ME
Contrastive Mixture of Posteriors for Counterfactual Inference, Data Integration and Fairness
Microsoft Research（微软研究院）；BenevolentAI（BenevolentAI公司）；University of Oxford（牛津大学）；Human Technopole（人类技术园）
学习有意义的数据表示，可以解决诸如批量效应校正和反事实推理等挑战，是包括计算生物学在内的许多领域的核心问题。采用条件VAE框架，我们表明，边际独立的表示和条件变量之间起着关键作用，在这两个挑战。我们提出了对比混合后验（CoMP）的方法，使用一种新的错位罚款定义的混合物的变分后验来执行这种独立性在潜在的空间。我们发现，CoMP有吸引力的理论特性相比，以前的方法，我们证明了反事实的CoMP下的额外假设的可识别性。我们在一系列具有挑战性的任务上展示了最先进的性能，包括将人类肿瘤样本与癌细胞系对齐，预测转录组水平的扰动响应，以及对单细胞RNA测序数据进行批量校正。我们还发现了与公平表示学习的相似之处，并证明了CoMP在该领域的共同任务上具有竞争力。
2022-06-26 cs.LG q-bio.GN stat.ML
Evaluating Ex Ante Counterfactual Predictions Using Ex Post Causal Inference
我们推导出一个正式的，基于决策的方法，用于比较使用实验结果的反事实治疗方案预测的性能，提供相关信息的分布治疗结果。我们的方法使我们能够量化和评估的差异性能的统计意义，从结构模型，外推处理效应，专家意见，和其他方法估计的最佳治疗方案。我们应用我们的方法来评估最佳的治疗方案，有条件的现金转移支付计划的国家，其中使用的数据，在其他国家的实验评估和预程序数据在感兴趣的国家产生的预测。
2019-07-22 stat.AP stat.ME
Counterfactual Identifiability via Dynamic Optimal Transport
Imperial College London（帝国理工学院伦敦分校）
本文提出通过连续时间流进行多变量反事实识别，利用动态最优传输工具建立反事实运输映射，确保一致推断，并在受控场景中验证理论，提升反事实声学的鲁棒性。
2026-03-24 cs.AI cs.LG stat.ML
Counterfactual Inference of Second Opinions
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）；ETH Zurich（苏黎世联邦理工学院）
能够从专家那里推断出第二意见的自动决策支持系统可能有助于更有效地分配资源;它们可以帮助决定何时以及从谁那里寻求第二意见。在本文中，我们看看这种类型的支持系统的设计从反事实推理的角度。我们专注于多类分类设置，并首先表明，如果专家自己的预测，产生他们的预测的潜在因果机制需要满足一个理想的集不变属性。此外，我们表明，任何因果机制满足这一属性，存在一个等价的机制，每个专家的预测是由一个共同的噪声所管辖的独立的子机制产生的。这激发了一组不变的Gumbel-Max结构因果模型的设计，其中控制支撑模型的子机制的噪声结构取决于可以从数据估计的专家之间的相似性的直观概念。在合成数据和真实数据上的实验表明，我们的模型可以比非因果模型更准确地推断第二意见。
2022-06-30 cs.CY cs.HC cs.LG
C-kNN-LSH: A Nearest-Neighbor Algorithm for Sequential Counterfactual Inference
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；Stevens Institute of Technology（史蒂文斯理工学院）
C-kNN-LSH通过局部敏感哈希和双重鲁棒校正，有效处理高维、混淆的序列因果推断问题，提升长期新冠康复异质性识别与政策价值估计性能。
2026-02-02 cs.LG stat.ML
On counterfactual inference with unobserved confounding
Massachusetts Institute of Technology（麻省理工学院）；Cornell Tech（康奈尔科技校区）
本文研究存在未观测混杂的观察性研究中的反事实推断问题，通过将结果条件分布建模为指数族并引入联合学习异质参数的凸目标函数，提供了与参数空间度量熵呈线性的均方误差界限，并应用于稀疏缺失协变量的一致插补。
2023-09-14 cs.LG stat.ME
Counterfactual Data Augmentation using Locally Factored Dynamics
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
许多动态过程，包括机器人控制和强化学习（RL）中的常见场景，都涉及一组相互作用的子过程。虽然子过程不是独立的，但它们之间的相互作用通常是稀疏的，并且在任何给定时间步的动态通常可以分解为局部独立的因果机制。这种局部因果结构可以被利用来提高序列预测和离线强化学习的样本效率。我们通过引入局部因果模型（LCM）来正式化这一点，该模型是通过状态空间的一个子集进行调节而从全局因果模型中诱导出来的。我们提出了一种方法来推断这些结构的面向对象的状态表示，以及一种新的算法，用于反事实数据增强（CoDA）。CoDA使用局部结构和经验重放来生成在全局模型中因果有效的反事实经验。我们发现，CoDA显着提高了RL代理在本地因素的任务，包括批量约束和目标条件设置的性能。
2020-12-03 cs.AI cs.LG cs.RO
Constructing Effective Personalized Policies Using Counterfactual Inference from Biased Data Sets with Many Features
University of California, Los Angeles（加州大学洛杉矶分校）；Nuffield College, Oxford University（牛津大学纳菲尔德学院）；Tsinghua University（清华大学）；Oxford-Man Institute, Oxford University（牛津大学牛津-曼研究所）
本文提出了一种新的方法来构建有效的个性化策略时，观察数据缺乏反事实信息，是有偏见的，并具有许多功能。这种方法适用于从医疗保健到广告到教育再到金融的各种环境。这些设置的共同点是，决策者可以观察到，对于每个先前的实例，实例的一系列特征，在该实例中采取的行动，以及实现的奖励-但不是没有采取的行动的奖励：反事实信息。在这样的环境中学习变得更加困难，因为观察到的数据通常会受到现有政策（生成数据的政策）的影响，并且因为在特定情况下可能影响奖励的特征阵列-因此在每个特定情况下决定行动时应该考虑-通常是巨大的。这里提出的方法估计观察到的数据的倾向得分，推断反事实，识别（相对较少）数量的特征，这些特征与每个可能的动作和实例（最）相关，并规定要遵循的策略。在实际数据集上对该算法与现有算法的性能进行了比较，结果表明该算法在性能上有了显著的提高。
2018-07-10 cs.LG stat.ML
Generalizing causal inferences from randomized trials: counterfactual and graphical identification
当参与随机试验是由影响结局的因素驱动时，或者当参与试验直接影响与治疗无关的结局时，试验受试者的平均处理效应不太可能推广到目标人群。在本文中，我们使用反事实和图形因果模型，以检查在什么条件下，我们可以概括因果推断从一个随机试验的目标人群的试验合格的个人。我们提供了一个解释的概括性分析使用的概念，一个假设的干预，以“扩大”试验参与的目标人群。我们认为，当试验参与不直接影响结果时，解释的概括性分析，突出与纵向研究中的删失的连接，并讨论通过g公式计算和逆概率加权的反事实结果的分布的识别。最后，我们展示了如何扩展的方法，以解决随时间变化的治疗，不遵守，和审查。
2019-06-26 stat.AP stat.ME
SurvCaus : Representation Balancing for Survival Causal Inference
LaMME（拉梅实验室）；Paris Saclay University / UEVE（巴黎萨克雷大学/埃夫里大学）；LaMME - CNRS（拉梅实验室-法国国家科学研究中心）；IBISC（IBISC实验室）
个体处理效应（ITE）估计方法在过去几年中越来越受欢迎。大多数情况下，个体效应更好地表示为条件平均处理效应（CATE）。最近，表征平衡技术在从观测数据进行因果推断方面获得了相当大的发展势头，但仍限于连续（和二元）结果。然而，在许多病理学中，关注的结果是（可能删失的）生存时间。我们的论文提出了一个代表性的平衡框架，适用于反事实推理的生存环境中使用的神经网络能够预测的事实和反事实的生存功能（然后CATE），在审查制度的存在下，在个人层面上的理论保证。我们还提出了广泛的实验合成和半合成数据集，表明所提出的扩展优于基线方法。
2022-03-29 cs.LG stat.ME stat.ML
Cyclic Counterfactuals under Shift-Scale Interventions
Computer Vision and Pattern Recognition Unit Indian Statistical Institute（计算机视觉与模式识别单位印度统计研究所）
本文研究了在位移-缩放干预下循环结构因果模型中的反事实推断问题，提出了一种处理具有反馈环的系统的新方法。
2026-01-17 cs.AI cs.LG math.ST
Counterfactual Mean Embeddings
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；EURECOM（欧洲通信学院）；University of Copenhagen（哥本哈根大学）；National Electronics and Computer Technology Center（国家电子与计算机技术中心）；National Science and Technology Development Agency（国家科学技术发展署）
反事实推理已经成为在线广告、推荐系统、医疗诊断和计量经济学中无处不在的工具。与不同干预措施相关的结果分布（称为反事实分布）的准确建模对于这些应用程序的成功至关重要。在这项工作中，我们建议使用一种新的希尔伯特空间表示称为反事实均值嵌入（CME）的反事实分布模型。CME将相关的反事实分布嵌入到具有正定核的再生核希尔伯特空间（RKHS）中，这使我们能够在反事实分布的整个景观上执行因果推断。基于这种表示，我们提出了一个分布处理效应（DTE），可以量化的因果关系的影响，整个结果分布。我们的方法是非参数的CME可以估计unconfoundedness假设下，从观测数据，而不需要任何参数假设的基本分布。我们还建立了建议的估计，这取决于平滑的条件均值和Radon-Nikodym衍生物的基本边缘分布的收敛速度。此外，我们的框架允许更复杂的结果，如图像，序列和图形。我们在合成数据和离线评估任务上的实验结果证明了所提出的估计器的优点。
2021-07-10 cs.LG stat.ML
Learning to Bound Counterfactual Inference from Observational, Biased and Randomised Data
IDSIA（达勒·摩尔人工智能研究所）；University of Almería（阿尔梅里亚大学）
我们解决的问题，从多个，可能有偏见的，观察性和干预性研究的数据整合，最终计算结构因果模型中的反事实。我们从受选择偏差影响的单个观测数据集的情况开始。我们表明，可用数据的可能性没有局部最大值。这使我们能够使用因果期望最大化方案来计算部分可识别的反事实查询的近似边界，这是本文的重点。然后，我们展示了相同的方法如何解决多个数据集的一般情况，无论是干预性的还是观察性的，有偏的还是无偏的，通过图形变换将其重新映射到前一个。系统的数值实验和姑息治疗的案例研究表明，我们的方法的有效性和准确性，同时暗示的好处，整合异构数据，以获得信息范围的情况下，部分可识别性。
2023-03-16 cs.AI stat.ME
The Logic of Counterfactuals and the Epistemology of Causal Inference
University of California, Davis（加利福尼亚大学戴维斯分校）
本文揭示Rubin因果模型预设条件排中律，并提出结合因果贝叶斯网的新模型以摒弃该原则，论证演绎逻辑与归纳推断的深层关联。
2025-03-12 cs.AI econ.EM stat.ME
Generative Flows for Potential Outcomes and Counterfactuals
School of Industrial and Systems Engineering（工业与系统工程学院）；Georgia Institute of Technology（佐治亚理工学院）；Elmore Family School of Electrical and Computer Engineering（埃洛姆家族电气与计算机工程学院）；Purdue University（普渡大学）
本文提出PO-Flow框架，通过连续归一化流模型联合建模潜在结果分布和事实条件下的反事实结果，实现个性化预测和因果推断。
2026-10-20 cs.LG stat.ML
Partial Counterfactual Identification of Continuous Outcomes with a Curvature Sensitivity Model
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心（MCML））
本文针对连续结果的反事实推断，放宽点识别假设，提出曲率敏感性模型以获取部分反事实识别的信息性边界，并设计深度生成模型 Augmented Pseudo-Invertible Decoder 实现该模型，验证其有效性。
2024-01-11 cs.LG stat.ML
Robust Counterfactual Inferences using Feature Learning and their Applications
Walmart Labs（沃尔玛实验室）
在各种各样的应用中，包括个性化，我们希望测量由于干预而导致的结果差异，因此必须处理反事实推理。在任何一种情况下，来自客户的反馈都只是“强盗反馈”--也就是说，基于我们是否选择干预的部分反馈。通常进行随机实验，以了解干预是否总的来说比没有干预更好。在这里，我们提出了一个功能学习算法，从一个随机实验中学习，其中考虑的干预措施是最有效的，而不是只关注整体影响，从而为我们的学习机制添加了一个上下文，并提取更多的信息。从随机实验中，我们学习将人群划分为子人群的特征表示，在这些子人群中，我们观察到接受干预的人群和未接受干预的人群之间的平均客户反馈存在统计学显著差异，显著性水平为l，其中l是我们模型中的可配置参数。我们使用这些信息来获得干预的价值，并考虑到人口中的每个实例。通过实验，我们表明，使用这种额外的学习，在未来的干预中，可以利用每个实例的上下文来决定是否进行干预。
2018-08-22 cs.AI cs.LG stat.ML
Conditional Tensor Diffusion: Distributional Counterfactual Learning and Inference
Southeast University（东南大学）；University of Science and Technology of China（中国科学技术大学）
针对高维张量设置中的因果推断难题，提出整合处理掩码与塔克结构的条件扩散模型CFTDiff，以高效恢复缺失控制结果的联合条件分布，并在模拟和挪威iFlex实验中验证了其更优的恢复精度与反事实推断能力。
2026-09-23 cs.LG econ.EM stat.ML
Benchmarking Counterfactual Prediction in Epidemic Time Series with Time-Varying Interventions
University of Michigan Computer Science and Engineering（密歇根大学计算机科学与工程系）；University of Michigan Epidemiology & Complex Systems（密歇根大学流行病学与复杂系统）
为解决缺乏可观测反事实结果的真实基准问题，基于校准的基于智能体的模型生成大规模流行病时间序列反事实预测基准，支持静态/时变治疗和单/多策略干预，评估多种因果推断方法。
2026-06-16 cs.AI cs.LG
Identification of Causal Relationship between Amyloid-beta Accumulation and Alzheimer's Disease Progression via Counterfactual Inference
University of Georgia（佐治亚大学）；Beijing Normal University（北京师范大学）；The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；Brigham and Women’s Hospital（布莱根妇女医院）；Shanghai Jiao Tong University（上海交通大学）；The University of Virginia（弗吉尼亚大学）
本文提出图变系数神经网络GVCNet，利用反事实推断在连续处理水平下估计个体处理效应，以揭示β-淀粉样蛋白积累与阿尔茨海默病进展之间的区域因果关系，为早期诊断和个性化护理提供工具。
2023-07-03 cs.LG stat.ME
A Semiparametric Approach to Causal Inference
针对平均因果效应估计见解有限的问题，该研究提出基于半参数密度比模型的EL-DRM框架，通过经验似然估计非参数成分，可从分布视角实现因果推断，经合成与真实数据验证有效。
2024-11-01 stat.ME stat.ML
Conformal Inference of Counterfactuals and Individual Treatment Effects
评价处理效应异质性广泛地告知处理决策。目前，非常重视通过灵活的机器学习算法估计条件平均处理效应。虽然这些方法在一致性和收敛速度方面具有一定的理论吸引力，但它们在不确定性量化方面通常表现不佳。这令人不安，因为评估风险对于敏感和不确定环境中的可靠决策至关重要。在这项工作中，我们提出了一个共形推理为基础的方法，可以产生可靠的区间估计的反事实和个人处理效应下的潜在结果框架。对于完全随机化或分层随机化实验，无论未知的数据生成机制如何，区间都保证了有限样本的平均覆盖率。对于具有可验证依从性的随机化实验和服从强可验证性假设的一般观察性研究，区间满足双重稳健性质，其陈述如下：如果潜在结果的倾向得分或条件分位数可以准确估计，则平均覆盖率近似受控。对合成数据集和真实数据集的数值研究表明，即使在简单的模型中，现有方法也存在显著的覆盖不足。相比之下，我们的方法以合理的短间隔实现了所需的覆盖范围。
2021-05-06 math.ST stat.ME stat.ML
Counterfactual Peptide Editing for Causal TCR--pMHC Binding Inference
本文提出反事实不变预测框架CIP，通过生成生物约束的反事实肽编辑，增强对MHC锚定残基的敏感性，从而提升TCR-pMHC结合预测的因果性。
2026-04-14 cs.GR cs.LG
VACA: Design of Variational Graph Autoencoders for Interventional and Counterfactual Queries
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Saarland University（萨尔大学）
在本文中，我们介绍了VACA，一类新的变分图自编码器的因果推断在没有隐藏的混杂因素，只有观测数据和因果图。在不做任何参数假设的情况下，VACA模拟了结构因果模型（SCM）的必要属性，为近似干预（do-operator）和外展-动作-预测步骤提供了一个灵活实用的框架。因此，正如我们的实证结果所示，VACA准确地近似了不同SCM上的干预和反事实分布。最后，我们应用VACA来评估公平分类问题中的反事实公平性，以及在不影响性能的情况下学习公平分类器。
2021-10-27 cs.LG stat.ML
Counterfactual Learning with Multioutput Deep Kernels
University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
在本文中，我们解决了通过贝叶斯非参数回归调整对观测数据进行反事实推理的挑战，重点关注具有多个动作和多个相关结果的高维设置。我们提出了一种一般的反事实多任务深度内核模型，由于其样本效率增益，可以熟练地估计因果效应和学习策略，同时可以很好地扩展高维。在第一部分的工作中，我们依靠结构因果模型（SCM）正式介绍的设置和问题，确定反事实的数量下观察到的混淆。然后，我们讨论了通过堆叠coregionalized高斯过程和深度核来处理因果效应估计任务的好处。最后，我们展示了使用所提出的方法的模拟实验，跨越个人的因果效应估计，关闭政策的评估和优化。
2022-11-20 cs.LG stat.ML
CF-GODE: Continuous-Time Causal Inference for Multi-Agent Dynamical Systems
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对多智能体动力系统中单元相互依赖导致传统因果推断失效的问题，提出CF-GODE模型，利用图神经常微分方程和领域对抗学习估计连续时间反事实结果，实验验证其有效性。
2023-06-20 cs.LG stat.ME
Deep Kalman Filters
Courant Institute of Mathematical Sciences（库朗数学科学研究所）；New York University（纽约大学）
卡尔曼滤波器是时变现象最有影响力的模型之一。他们承认一个直观的概率解释，有一个简单的功能形式，并享有广泛采用的各种学科。受最近用于学习深度生成模型的变分方法的启发，我们引入了一种统一的算法来有效地学习广泛的卡尔曼滤波器。特别感兴趣的是使用时间生成模型进行反事实推理。我们研究了这种模型用于反事实推理的有效性，为此，我们引入了“愈合MNIST”数据集，其中长期结构，噪声和动作应用于数字序列。我们展示了我们的方法对该数据集建模的有效性。我们进一步展示了我们的模型如何用于患者的反事实推理，基于4.5年内8，000名患者的电子健康记录数据。
2015-11-25 cs.LG stat.ML
On the probability of a causal inference is robust for internal validity
观察性研究的内部效度经常受到争论。在这项研究中，我们将反事实定义为未观察到的样本，并打算量化它与原假设统计检验（NHST）的关系。我们提出因果推断的概率对于内部效度是稳健的，即，PIV作为因果推断的鲁棒性指标。形式上，PIV是基于观察样本和反事实再次拒绝原假设的概率，前提是相同的原假设已经基于观察样本被拒绝。在频率论或贝叶斯框架下，人们可以基于对反事实的有界信念来约束推理的PIV，这在无混淆假设是可疑的时经常需要。当认为NHST基于观察样本和反事实时，PIV相当于统计功效。我们将用PIV评估内部效度的过程总结为一个八步程序，并用一个实证例子（即，Hong和Raudenbush（2005））。
2019-06-20 econ.EM stat.AP stat.ME
Answering Causal Queries at Layer 3 with DiscoSCMs-Embracing Heterogeneity
Kuaishou Inc.（快手公司）
本文提出DiscoSCM框架，通过引入单位选择变量和独立反事实噪声假设，解决PO和SCM在第三层反事实推断中的退化问题，实现异质性反事实界理论，推动因果推断方法论发展。
2024-02-08 cs.AI cs.LG stat.ME
Causal survival embeddings: non-parametric counterfactual inference under censoring
本研究提出基于核均值嵌入的因果生存分析框架，解决删失与混杂下的反事实推断问题，经模拟和SPRINT试验验证有效，并提供理论分析。
2023-06-20 math.ST stat.TH
Proximal Causal Inference for Marginal Counterfactual Survival Curves
对比治疗组间的边缘反事实生存曲线是推断干预对右删失至事件时间结局的因果影响的有效且流行的方法。在观察环境中得出此类推论的一个关键挑战是可能存在未测量的混杂，这可能使假设没有隐藏混杂偏倚的最常用方法无效。在本文中，我们没有做出标准的无不可测量混杂假设，而是扩展了Miao et al.（2018），Tchetgen et al.（2020），Cui et al.（2020）最近提出的近端因果推断框架，以通过利用观察到的协变量作为不可测量混杂因素的不完美代理来获得因果生存对比的非参数识别。具体来说，我们开发了一个近端逆概率加权（PIPW）估计，标准IPW的近端模拟，它允许观察到的数据分布的时间到事件的结果，以保持完全不受限制。PIPW估计依赖于所谓的治疗混杂桥接函数的参数模型，该桥接函数将治疗过程与混杂代理相关联。因此，PIPW可能对模型错误指定敏感。为了提高稳健性和效率，我们还提出了一个近似双稳健估计，并建立了一致相合性和渐近正态性的估计。我们进行了广泛的模拟，以检查我们的估计有限样本的性能，并提出的方法应用于一项研究，评估重症监护室的重症患者的右心导管插入术的有效性。
2022-04-27 math.ST stat.ME stat.TH
Deep Counterfactual Estimation with Categorical Background Variables
KU Leuven（鲁汶大学）
反事实查询被称为因果推理阶梯的第三级，通常会问“如果？“回顾性提问。估计反事实的标准方法在于使用结构方程模型，该模型准确地反映了底层数据生成过程。然而，这样的模型很少在实践中，人们通常希望推断他们从观测数据。不幸的是，正确的结构方程模型通常无法从观察到的实际分布中识别出来。然而，在这项工作中，我们表明，在假设的主要潜在贡献者的治疗反应是分类的，反事实仍然可以可靠地预测。在此假设的基础上，我们引入了反事实查询预测（CFQP），一种新的方法来推断反事实连续观测时，背景变量是分类的。我们表明，无论是在理论上还是在经验上，我们的方法在时间序列和图像数据上都明显优于以前可用的基于深度学习的反事实方法。我们的代码可在https://github.com/edebrouwer/cfqp上获得。
2023-01-16 cs.AI cs.LG stat.ME
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
Counterfactual Inference for Consumer Choice Across Many Product Categories
Stanford University（斯坦福大学）；Columbia University（哥伦比亚大学）；Instacart（Instacart公司）；University of Cambridge（剑桥大学）
本文提出一种跨多产品类别的离散选择模型，利用矩阵分解概率方法处理时变属性和缺货，并通过跨类别信息汇集更准确地估计消费者偏好异质性与价格敏感度，从而提升个性化折扣的反事实收益。
2023-08-06 cs.LG econ.EM stat.ML
Variational Causal Inference
University of California, Berkeley（加州大学伯克利分校）；Amazon（亚马逊公司）
针对高维结果、协变量有限时个体反事实潜在结果估计的挑战，提出深度变分贝叶斯框架，整合高维事实结果中的个体特征与相似受试者响应分布，以构建反事实处理下的结果。
2025-02-12 cs.AI cs.LG math.ST
