Person as Population: A Longitudinal View of Single-Subject Causal Inference for Analyzing Self-Tracked Health Data
由于自我跟踪技术的进步（例如，可穿戴设备、移动应用程序、传感器、植入物）。许多用户和保健提供者寻求使用这种观察时间序列数据来建议改变保健做法，以实现预期的保健结果。然而，很少有可用的因果推断方法是足够灵活的分析这样的具体数据。我们开发了一个最近引入的catheter分析框架的基础上n-1随机试验，并实现了灵活的随机森林g-公式的方法来估计一个经常性的个性化的影响，称为“平均周期处理效应“。在这个过程中，我们认为，我们的方法基本上类似于一个纵向的研究，通过分割一个单一的时间序列到期间采取二进制治疗水平。我们分析了作者自己六年的自我跟踪身体活动和体重数据，以证明我们的方法，并将我们的分析结果与没有适当考虑混杂因素的结果进行比较。
2019-01-22 stat.AP stat.ME
Causal inference with multiple versions of treatment and application to personalized medicine
高通量测序和靶向治疗的发展导致了个性化医疗的出现：患者的分子谱或药物反应的特定生物标志物的存在将对应于医生或治疗分配算法提出的治疗建议。越来越多的此类算法提出了一个问题，即如何量化其临床影响，因为个性化医疗策略本质上包括不同版本的治疗。因此，我们指定了一个适当的因果框架与多个版本的治疗，以定义感兴趣的因果效应的精准医学策略，并估计他们模仿临床试验与观察数据。因此，我们确定治疗分配算法是否比不同的对照组更有效：金标准治疗，观察治疗或随机分配靶向治疗。首先在模拟数据上评价精密医学效应的因果估计，与治疗组之间预期结局差异的朴素估计相比，它们显示出较低的偏倚和方差。各种模拟场景还指出了不同的偏倚来源，具体取决于临床情况（应答异质性、观察到的治疗分配等）。还提供了一个RShiny交互式应用程序，以进一步探索其他用户定义的场景。然后将该方法应用于患者来源的异种移植物（PDX）的数据：将每个患者肿瘤植入几个免疫缺陷克隆小鼠中，然后用不同的药物治疗，从而为所有患者提供所有相应的药物敏感性。访问这些独特的临床前数据模拟反事实的结果，可以验证所提出的方法获得的因果关系估计的可靠性。
2020-05-25 stat.AP stat.ME
Personalized Treatment Selection using Causal Heterogeneity
LinkedIn Corporation（领英公司）
随机实验（也称为A/B测试或桶测试）在互联网行业中广泛使用，以衡量不同治疗方法对指标的影响。A/B检验确定表现最佳的治疗方案，然后成为整个人群的选择或选定的治疗方案。然而，给定治疗的效果在实验单位之间可能不同，并且用于治疗选择的个性化方法可以大大改善通常的全局选择策略。在这项工作中，我们开发了一个个性化的框架，通过（i）估计异质性处理效应在任何一个队列或成员的水平，其次是（ii）选择最佳的治疗方案的队列（或成员）通过（确定性或随机）约束优化。我们对我们提出的方法进行了双重评估。首先，进行模拟分析，以研究在仔细控制的设置下的个性化治疗选择的效果。该模拟说明了所提出的方法之间的差异和每个方法的适用性，随着不确定性的增加。我们还证明了该方法的有效性，通过一个现实生活中的例子，在LinkedIn的通知服务。该解决方案显著优于启发式解决方案和全局治疗选择基线，从而在会员访问等顶线指标上取得了相当大的胜利。
2020-12-21 cs.LG stat.ME
Learning sources of variability from high-dimensional observational studies
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Delaware（特拉华大学）；Columbia University（哥伦比亚大学）；Duke University（杜克大学）
本文提出 Causal CDcorr 方法，将因果估计目标推广到任意维度结果，并通过调整普遍一致的条件独立性检验构建因果差异检验，在有限样本有效性和功效上优于现有策略。
2023-11-28 cs.LG stat.ME stat.ML
Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance
移动健康研究可以利用来自智能手机的纵向传感器数据来指导个性化医疗干预的应用。在本文中，我们建议，通过一个工具变量的方法，不完善的遵守随机试验提供了一个自然的框架，个性化的因果推断的药物反应在移动健康研究。通过智能手机屏幕上弹出的电子消息，可以轻松地向研究参与者提供随机治疗建议。在相当一般的假设下，我们可以在存在未观察到的混杂因素的情况下确定实际治疗对应答的因果影响。我们实施了一个个性化的随机化测试的原假设的治疗反应没有因果关系的影响，并评估其性能在一个大规模的模拟研究，包括数据生成的线性和非线性时间序列模型在几个模拟条件下。特别是，我们评估的经验力量的建议和实际治疗的参与者之间的不同程度的遵守下的测试。我们的调查提供了令人鼓舞的结果方面的权力和控制的第一类错误率。最后，我们比较了所提出的工具变量的方法，一个简单的意向治疗策略，并制定随机置信区间的因果关系。
2017-07-31 stat.AP
Causal Inference Under Network Interference
The Pennsylvania State University（宾夕法尼亚州立大学）
该论文综述多领域干扰下因果推断的最新进展，涵盖干扰检测、因果效应识别与估计等，经模拟发现干扰图变异性高时条件化会限制因果结论，还总结了开放问题。
2026-10-23 stat.ME
Causal Network Discovery from Interventional Count Data with Latent Linear DAGs
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于潜在线性高斯DAG模型的因果发现方法，用于处理具有潜在状态异质性的干预计数数据，通过稀疏逆矩阵估计提供理论保证。
2026-11-10 stat.ME
Causal Machine Learning Methods for Estimating Personalised Treatment Effects -- Insights on validity from two large trials
University of Zurich（苏黎世大学）；Epidemiology, Biostatistics and Prevention Institute（流行病学、生物统计学与预防研究所）
本文基于两项大型卒中随机对照试验评估17种因果异质性机器学习方法，发现其个体化治疗效应估计在内部和外部验证中均无法可靠泛化，凸显加强稳健验证的必要性。
2025-01-07 cs.LG stat.ML
Estimation of Personalized Effects Associated With Causal Pathways
Johns Hopkins University（约翰斯·霍普金斯大学）；Harvard T. H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）
个性化决策的目标是将一个单位的特征映射到一个定制的行动，以最大限度地提高该单位的预期结果。获得这种类型的高质量映射是动态政权文献的目标。在医疗保健环境中，优化政策方面的一个特定的因果途径可能是感兴趣的。例如，我们可能希望最大限度地提高药物的化学效应，因为观察性研究的数据表明，药物对结局的化学效应与不同依从性介导的间接效应纠缠在一起。在这种情况下，我们可能希望优化药物的直接效果，同时保持一些参考治疗的间接效果。[16]展示了如何结合调解分析和动态治疗制度的想法，以确定政策与因果途径和反事实的反应，这些政策。在本文中，我们得出了各种方法学习高质量的政策，这种类型的数据，在因果模型对应的纵向设置的实际重要性。我们通过尼日利亚PEPFAR计划收集的接受治疗的HIV患者数据集来说明我们的方法。
2018-09-27 cs.AI cs.LG stat.ML
Causally-Interpretable Random-Effects Meta-Analysis
最近的工作作出了重要贡献的因果可解释的荟萃分析的发展。这些方法将在随机试验集合中估计的处理效应转移到感兴趣的目标人群。理想情况下，针对特定人群的估计值更易于解释，与政策制定者和临床医生相关。然而，研究间异质性不是由处理效应调节剂分布差异引起的，可能会增加综合试验间估计值的困难。这种异质性的存在，包括治疗方式的变化，也使将迁移估计数解释为目标人群中的一般效应变得复杂。我们提出了一个概念框架和估计程序，试图解释这种异质性，并开发推理技术，旨在捕捉伴随的因果估计的过度变异。这一框架还试图澄清哪种处理效应可以适用于可推广性和可移植性技术。
2023-02-07 stat.ME
A novel decomposition to explain heterogeneity in observational and randomized studies of causality
New York University Grossman School of Medicine（纽约大学格罗斯曼医学院）；Columbia University（哥伦比亚大学）；University Paris Est Creteil（巴黎东克雷泰尔大学）
本文提出一种新框架，通过分解不同研究间的因果效应异质性，探讨观察性与随机研究中的治疗效应差异来源，验证了方法在模拟研究和MTO研究中的应用价值。
2026-06-08 stat.ME
Interference and Sensitivity Analysis
带有干扰的因果推断是一个快速发展的领域。文献已经开始放宽“无干扰”假设，即一个人接受的治疗不会影响其他人的结果。在本文中，我们简要回顾了文献中的因果推断的干扰时，治疗已被随机化。然后，我们考虑在存在干扰的情况下未识别因果效应的设置，因为单独的随机化不足以识别，或者因为治疗不是随机的，并且可能存在治疗-结局关系的不可测量的混杂因素。我们为这些设置开发了敏感性分析技术。我们描述了几种传染性效应的敏感性分析技术，在疫苗试验中，这些技术捕获了一个人的疫苗对保护第二个人免受感染的影响，即使第一个人被感染。我们还开发了两个敏感性分析技术的因果影响下的干扰存在不可测量的混淆，推广类似的技术时，干扰是不存在的。这两种技术的不可测量的混杂进行了比较和对比。
2015-03-05 stat.ME
Causal inference for N-of-1 trials
Hasso Plattner Institute for Digital Engineering（数字工程哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）；École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；CUNY Graduate School of Public Health and Health Policy（纽约市立大学研究生院公共卫生与健康政策学院）
本文提出了一种基于因果推断框架的N-of-1试验分析方法，定义了U-CATE并探讨了不同因果模型下的估计策略。
2026-11-06 stat.ME
Coherent modeling of longitudinal causal effects on binary outcomes
生物医学研究的分析往往需要建模纵向因果效应。目前对个性化医疗和效果异质性的关注使这项任务更具挑战性。为此，结构嵌套均值模型（SNESTs）是研究纵向研究中异质性处理效应的基本工具。然而，当结果是二进制的，目前的方法估计乘法和加法SNMM参数遭受因果参数和非因果滋扰参数之间的变化依赖。这就给解释、估计和计算带来了一系列困难。这些困难阻碍了SNARY在生物医学实践中的应用，在生物医学实践中，二元结果非常常见。我们解决了二进制乘法SNMM的变化依赖性问题，通过重新参数化的非因果滋扰参数。我们的新的滋扰参数的变化独立的因果参数，因此允许连贯的建模的异质性影响的纵向研究与二进制的结果。我们的参数化也提供了一个关键的积木灵活的双重稳健估计的因果参数。一路上，我们证明了一个添加剂SNMM与二进制的结果不承认一个变化独立的参数化，从而证明限制乘法SNMM。
2022-07-22 stat.ME
A Formal Causal Interpretation of the Case-Crossover Design
病例交叉设计（Maclure，1991）广泛用于流行病学和其他领域，以研究短暂治疗对急性结局的因果影响。然而，其有效性和因果解释只有在非正式条件下才得到证明。在这里，我们第一次将设计置于正式的反事实框架中。这样做有助于澄清其假设和解释。特别是，当处理效应为非零时，我们发现了一个以前未注意到的偏倚，该偏倚是由不同人次的结局的常见原因引起的。我们分析了这种偏见的方向和大小的特点，并证明了其潜在的重要性与模拟。我们还使用我们的推导的情况下交叉估计的限制，分析其灵敏度处理效应异质性，违反了有效性的非正式标准之一。这项工作对从业者的结果是，虽然病例交叉设计可以用于在存在基线混杂因素的情况下检验因果零假设，但在使用病例交叉设计进行因果效应的点估计时需要格外谨慎。
2021-11-19 stat.ME
Peer Encouragement Designs in Causal Inference with Partial Interference and Identification of Local Average Network Effects
在非网络环境中，当随机化治疗被认为不切实际或治疗依从性无法完全强制执行时，鼓励设计已被广泛用于分析治疗、政策或干预对关注结果的因果影响。不幸的是，这样的问题有关的治疗依从性得到较少的关注，在网络设置和网络中研究最充分的试验设计，两阶段随机化设计，需要完美的治疗依从性。本文提出了一种新的试验设计--同伴激励设计，用于研究在实施治疗随机化不可行的情况下网络处理效应。同伴激励设计的核心思想是个性化激励的思想，它允许在激励设计文献中识别熟悉的被估量。本文还定义了新的因果被估量，局部平均网络效应，可以确定在新的设计和分析的影响，不遵守行为的随机实验网络。
2016-09-14 stat.ME
Personalized Oncology: Feasibility of Evaluating Treatment Effects for Individual Patients
Institute of Public Health, Charité – Universitätsmedizin Berlin（公共卫生研究所，柏林夏里特医科大学）；Digital Health – Machine Learning Research Group, Hasso Plattner Institute for Digital Engineering, Potsdam, Germany（德国波茨坦哈索·普拉特纳数字工程学院数字健康-机器学习研究组）；Hasso Plattner Institute for Digital Health at Mount Sinai, Icahn School of Medicine at Mount Sinai, New York, NY, USA（美国纽约西奈山伊坎医学院西奈山数字健康哈索·普拉特纳研究所）
本研究探讨在单癌症患者情境下应用因果推断方法评估个体治疗效果的可行性，通过N-of-1试验框架和时变g公式，利用转移性癌症患者的纵向数据，成功估计了个体化治疗效果，为个性化肿瘤学提供了方法论蓝图。
2025-09-26 stat.AP
Private Causal Inference
因果推断处理识别哪些随机变量“导致”或控制其他随机变量。基于统计估计和机器学习工具的因果推断主题的最新进展已经产生了用于因果推断的实用算法。因果推断有可能对医学研究、疾病预防和控制以及识别影响经济变化的因素产生重大影响。然而，这些用于因果推断的有希望的应用通常是涉及需要保密的用户的敏感或个人数据的应用（例如，医疗记录、个人财务等）。因此，需要开发保护数据隐私的因果推断方法。我们研究了使用当前流行的因果推断框架，加性噪声模型（ANM），同时确保用户的隐私推断因果关系的问题。我们的框架为各种ANM变体提供了不同的隐私保证。我们进行了大量的实验，并证明我们的技术是实用的，易于实现。
2016-08-20 stat.ML
Personalization of Large Foundation Models for Health Interventions
本文提出混合框架，结合LFMs和N-of-1试验，以实现个性化医疗中的因果推断与责任AI整合。
2026-01-07 cs.AI cs.LG stat.AP
Identifying Causal Effects in Experiments with Spillovers and Non-compliance
本文展示了如何使用随机饱和实验设计来识别和估计存在溢出效应的因果效应-一个人的治疗可能会影响另一个人的结果-和单侧不依从性-受试者只能被提供治疗，而不是被迫接受治疗。在这种情况下，两种不同的因果效应是有意义的：直接效应量化了一个人自己的治疗如何改变她的结果，而间接效应量化了她的同伴的治疗如何改变她的结果。我们考虑的情况下，溢出发生在已知的群体，并采取决定是不变的同行的实现提供。在这种情况下，我们点识别治疗的治疗效果，直接和间接的，在一个灵活的随机系数模型，允许异质性处理效应和内源性选择到治疗。我们继续提出一个可行的估计，是一致的，渐近正常的数量和规模的群体的增加。我们应用我们的估计数据从一个大规模的就业安置服务实验，并发现负的间接处理效应的就业可能性，为那些愿意采取的程序。这些负面溢出效应被自身吸收的正面直接处理效应所抵消。
2023-01-04 econ.EM stat.ME
Towards personalised intervention: A causal-dynamical framework to determine psychological treatment trajectories
University of Amsterdam（阿姆斯特丹大学）；Maastricht University（马斯特里赫特大学）
针对心理健康治疗效果不佳的问题，提出一个因果动力学框架，通过构建因果图、估计因果效应并模拟干预策略，为个体患者定制治疗重点。
2026-06-08 nlin.AO stat.AP
A Causal Inference Approach for Evaluating Diagnostic Tests and AI-Enabled Medical Devices: From Effect Modification to Information-Augmented Decision-Making
Division of Biostatistics, University of California, Berkeley（加州大学伯克利分校生物统计系）
本研究提出因果推理方法，区分诊断测试的解释性与实用性有效性，采用TMLE及交叉验证TMLE进行非参数估计，可用于评估诊断测试及人工智能医疗设备的作用途径。
2026-08-21 stat.ME stat.ML
Causality Refined Diagnostic Prediction
KTH Royal Institute of Technology（瑞典皇家理工学院）；Carnegie Mellon University（卡内基梅隆大学）；Karolinska Institute（卡罗林斯卡学院）
近年来，将机器学习应用于医疗保健领域已显示出可喜的成果。来自学习算法的可解释的输出对于卫生保健人员的决策是期望的。在这项工作中，我们探讨了利用因果关系来完善诊断预测的可能性。我们专注于诊断预测的任务，使用不舒适的图纸，并探讨两种方法，采用因果识别，以提高诊断结果。首先，我们使用因果识别来推断诊断标签之间的因果关系，其本身提供了可解释的结果，以帮助医疗保健人员的决策和培训。其次，我们提出了一种后处理方法，其中推断的因果关系用于改进多视图概率模型的预测精度。实验结果表明，首先，因果识别是能够正确地检测诊断标签之间的因果关系，其次，有可能提高疼痛诊断预测精度使用的因果关系。
2017-11-29 cs.LG stat.ML
Linking a predictive model to causal effect estimation
University of South Australia（南澳大学）
本文解决了估计任意特征对给定实例结果的因果效应问题，证明满足特定条件的预测模型可进行因果可解释估计，且准确性与先进因果方法相当，适用于鲁棒预测与个性化决策。
2023-04-10 cs.AI cs.LG stat.ME
Discovering Context Specific Causal Relationships
University of South Australia（南澳大学）
随着对个性化决策的需求不断增加，例如个性化医疗和在线建议，人们越来越关注因果关系的背景和异质性的发现。然而，大多数现有的方法，假设一个已知的原因（例如，一种新药），并专注于从数据中识别的原因的异质性影响的背景下（例如，患者群体与不同的反应，新的药物）。目前还没有直接从观察数据中有效检测特定因果关系的方法，即同时发现原因及其背景。在本文中，利用高效的决策树归纳和良好的因果推理框架的优势，我们提出了基于树的上下文因果规则发现（TCC）方法，有效地探索特定的因果关系的数据。实验结果表明，TCC算法可以有效地从数据中发现上下文相关的因果规则。
2018-08-20 cs.AI stat.AP
Identification of causal intervention effects under contagion
界定和确定传染性传染病结果的因果干预效应具有挑战性，因为给予一个人的治疗-如疫苗-可能影响其他人的感染结果。流行病学家提出了因果estimands量化的影响下的干预传染使用两人的伙伴关系模型。这些简单的概念模型帮助研究人员开发了与疫苗效果临床评价相关的因果被估量。然而，许多这些伙伴关系模型的结构性假设，排除现实的传染病传播动力学，限制了他们的概念在定义和确定因果处理效应的经验性干预试验的有用性。在本文中，我们提出了因果干预的影响，在两个人的伙伴关系下任意传染病的传播动力学，并给出非参数识别结果，显示如何影响可以估计在实证试验中使用的时间感染或二进制结果数据。关键的见解是，传染是一种因果现象，诱导感染结果的条件独立性，可用于识别有临床意义的因果被估量。这些新的被估量进行比较，现有的数量，并说明使用一个现实的模拟艾滋病毒疫苗试验的结果。
2019-12-10 math.ST q-bio.PE stat.AP
Sensor data-driven analysis for identification of causal relationships between exposure to air pollution and respiratory rate in asthmatics
Centre for Speckled Computing（散斑计算中心）；University of Edinburgh（爱丁堡大学）
根据2020年10月发表的《柳叶刀》全球疾病负担报告，空气污染是影响全球健康的五大风险因素之一，平均会使预期寿命缩短20个月。本文介绍了一种数据驱动的方法，用于建立因果关系内和两个多变量的时间序列数据流之间的可穿戴传感器：个人暴露于空气动力学尺寸小于2.5微米（PM2.5）的空气颗粒物收集的人和连续呼吸率（呼吸每分钟）由Respeck监测器佩戴在胸部的膏药。展示了113名哮喘青少年队列的结果，使用PCMCI+算法来了解\pm暴露滞后与呼吸率之间的短期因果关系。我们认为因果关系的影响，最大延迟8小时，在不同的实验中使用数据在1分钟和15分钟的分辨率。首次证明了PM2.5暴露与呼吸频率之间的个性化的呼吸-反应关系对哮喘青少年在日常生活中的短期影响。我们的研究结果导致工作的建议，在因果关系的发现，以增加这种方法在未来类似的流行病学研究的可行性的具体开放的问题。
2023-01-16 cs.LG stat.AP
Identify treatment effect patterns for personalised decisions
University of South Australia（南澳大学）；Consilium Technology（康西里姆科技公司）
在个性化决策中，需要证据来确定某项行动（治疗）是否适合个人。可通过对亚组中的处理效应异质性进行建模来获得此类证据。现有的可解释建模方法采用自上而下的方法来搜索具有异质处理效应的亚组，并且它们可能错过个体的最具体和最相关的背景。在本文中，我们设计了一个\emph{Treatment effect pattern (TEP)}来表示数据中的处理效应异质性。为了实现TEPs的可解释的呈现，我们使用结果周围的局部因果结构来明确显示这些重要变量如何用于建模。我们还推导出一个公式，用于无偏估计的\emph{Conditional Average Causal Effect (CATE)}使用本地结构在我们的问题设置。在发现过程中，我们的目标是最大限度地减少由模式表示的每个子组内的异质性。我们提出了一个自下而上的搜索算法，以发现最适合个人情况的最佳个性化决策的最具体的模式。实验结果表明，该方法模型的处理效应异质性优于其他三个现有的基于树的方法在合成和真实世界的数据集。
2022-06-23 cs.LG stat.ME stat.ML
A causal modeling perspective on decision theory
基于非参数结构方程模型（NPSEM）为决策理论提供统一形式框架，提出个人决策理论并证明其在特定假设下的最优性。
2026-06-29 cs.AI stat.ME
Variance Minimization in the Wasserstein Space for Invariant Causal Prediction
Princeton University（普林斯顿大学）；Gladstone Institutes（格莱斯顿研究所）
为结果选择强大的预测因子是机器学习的基础任务。然而，某些类型的问题只能通过识别因果影响结果的预测因素来回答。最近针对该因果推理问题的方法利用了因果机制在不同实验环境中的不变性（Peters等人，2016; Heinze-Deml等人，2018年）。这种方法，不变的因果预测（ICP），有一个重大的计算缺陷-运行时的规模与可能的因果变量的数量呈指数关系。在这项工作中，我们表明，在ICP采取的方法可以重新制定为一系列的非参数检验，线性尺度的预测因子的数量。这些测试中的每一个都依赖于最小化一个新的损失函数-Wasserstein方差-这是从最优运输理论的工具，并用于量化跨环境的分布变异性。我们证明在温和的假设下，我们的方法是能够恢复的一组可识别的直接原因，我们在我们的实验中证明，它是有竞争力的与其他基准的因果发现算法。
2022-02-28 cs.LG stat.ME
CafeMed: Causal Attention Fusion Enhanced Medication Recommendation
Department of Computer Science and Engineering, Hanyang University（韩阳大学计算机科学与工程系）；Department of Applied Artificial Intelligence, Hanyang University（韩阳大学应用人工智能系）
针对现有药物推荐方法未建模医疗实体协同效应、静态因果关系无法适配患者个体状态的问题，本文提出融合动态因果推理与跨模态注意力的CafeMed框架，在MIMIC系列数据集上取得了更优的推荐准确率与更低的药物相互作用率。
2025-11-18 cs.AI cs.LG stat.ME
Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks
在半竞争风险问题中，非终端事件发生时间结局（如再入院时间）会因死亡而截断。这些环境通常使用疾病-死亡模型对终末和非终末事件的危害进行建模，但由于在危害定义中嵌入了生存期（治疗后结局）条件，因此使用危害模型评价因果处理效应存在问题。扩展现有的幸存者平均因果效应（SACE）估计，我们框架的处理效应的评价的背景下，半竞争风险与主要分层，并引入两个新的因果估计：随时间变化的幸存者平均因果效应（TV-SACE）和限制平均幸存者平均因果效应（RM-SACE）。这些主要因果效应定义在无论分配的治疗如何都会存活的单位中。我们采用贝叶斯估计程序，参数化两个治疗组的疾病-死亡模型。我们概述了一个脆弱的规范，可以容纳非终端和终端事件时间之间的人内相关性，我们讨论了增加模型的灵活性的潜在途径。该方法在晚期胰腺癌患者再次入院的情况下得到了证实。
2019-02-15 stat.AP stat.ME
Personalized Binomial DAGs Learning with Network Structured Covariates
Booth School of Business, University of Chicago（芝加哥大学布斯商学院）；University of Michigan（密歇根大学）；Ant Financial Group（蚂蚁集团）；Marshall School of Business, University of Southern California（南加州大学马歇尔商学院）
本文针对多变量计数数据因果发现问题，提出个性化二项DAG模型，通过将网络结构嵌入降维协变量、学习节点邻域缩小搜索空间并利用方差-均值关系确定排序，在异质性数据上优于现有方法。
2024-06-10 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
Interval Estimation of Individual-Level Causal Effects Under Unobserved Confounding
Cornell University（康奈尔大学）；Cornell Tech（康奈尔理工学院）
我们研究了从具有未观察到的混杂因素的观察数据中学习条件平均处理效应（CATE）的问题。CATE函数将基线协变量映射到个体因果效应预测，是个性化评估的关键。最近的工作集中在如何学习CATE下unconfoundedness，即，当没有未观察到的混杂因素时。由于CATE可能无法确定时，unconfoundedness被违反，我们开发了一个功能区间估计，预测界限的个人因果关系的影响下，现实的违反unconfoundedness。我们的估计量采用加权核估计量的形式，其权重反向变化。我们证明，我们的估计是尖锐的，它收敛到严格的界限可能对CATE时，可能有未观察到的混杂因素。此外，我们研究了个性化的决策规则来自我们的估计，并证明了他们达到最优的极大极小遗憾渐近。我们在模拟研究中评估了我们的方法，并通过比较来自真实观察性研究和临床试验的结论来证明其在激素替代疗法中的应用。
2018-10-05 cs.LG stat.ML
Models for the Propensity Score that Contemplate the Positivity Assumption and their Application to Missing Data and Causality
通常假设广义线性模型拟合倾向得分，用于计算逆概率加权（IPW）估计。为了得到IPW估计量的渐近性质，假定倾向得分是有界远离cero的。这个条件在文献中称为严格正性（或正性假设），在实践中，当它不成立时，IPW估计量非常不稳定，并且具有很大的可变性。虽然经常假设严格的正性，但当某些协变量是连续的时，它并不成立。在这项工作中，我们试图调和严格的积极性条件和广义线性模型的理论，通过纳入一个额外的参数，这导致在一个明确的下限的倾向得分。
2017-04-23 stat.AP stat.ME
Towards Practical Federated Causal Structure Learning
The Hong Kong University of Science and Technology（香港科技大学）
本文提出联邦因果结构学习方案FedC2SL，通过联邦条件独立性检验在不收集原始数据的情况下学习因果图，并给出FedPC和FedFCI两种变体，在合成与真实数据上验证了其对数据异质性的强鲁棒性。
2023-06-19 cs.AI cs.LG stat.ME
A Point Process Model for Optimizing Repeated Personalized Action Delivery to Users
该研究针对在线广告中用户与广告主互动引发的重复个性化动作投放因果推断问题，构建时间标记点过程扩展形式，并提出以神经点过程求解相关特例。
2025-01-06 cs.LG stat.ML
A Versatile Causal Discovery Framework to Allow Causally-Related Hidden Variables
University of California San Diego（加州大学圣地亚哥分校）；Carnegie Mellon University（卡内基梅隆大学）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）；KDDI Research（KDDI研究所）
针对现有因果发现方法依赖无潜在混淆因子假设的局限，提出基于协方差矩阵秩的通用框架与RLCD算法，可处理因果相关隐变量，理论上保证特定结构可识别，实验验证了有限样本下的有效性。
2023-12-18 cs.LG stat.ME
MissDeepCausal: Causal Inference from Incomplete Data Using Deep Latent Variable Models
Centre d’Analyse et de Mathématique Sociales（社会分析与数学中心）；EHESS（高等社会科学研究院）；Centre de Mathématiques Appliquées（应用数学中心）；École Polytechnique（巴黎综合理工学院）；Inria XPOP（法国国家信息与自动化研究所XPOP团队）；Google Research（谷歌研究院）
从观察数据推断治疗、干预或政策的因果效应是许多应用的核心。然而，用于因果推断的最新方法很少考虑协变量具有缺失值的可能性，这在许多现实世界的分析中是普遍存在的。缺失数据使因果推断程序变得非常复杂，因为它们需要一个适应的无混淆假设，而这在实践中很难证明。我们绕过这个问题，考虑潜在的混淆，其分布是通过适应缺失值的变分自编码器学习。它们既可以用作因果推断之前的预处理步骤，但我们也建议将它们嵌入多重插补策略中，以考虑缺失值引起的变异性。数值实验表明，所提出的方法的有效性，特别是对非线性模型相比，竞争对手。
2020-02-25 cs.LG stat.ME stat.ML
Interpretable Models for Granger Causality Using Self-explaining Neural Networks
ETH Zürich（苏黎世联邦理工学院）
时间序列数据的探索性分析可以更好地理解复杂的动力系统。格兰杰因果关系是一个实用的框架，用于分析序列数据中的相互作用，应用于广泛的领域。在本文中，我们提出了一个新的框架推断多变量格兰杰因果关系的非线性动力学的基础上扩展的自解释神经网络。这个框架比其他基于神经网络的Granger因果关系推断技术更具解释性，因为除了关系推断之外，它还允许检测Granger因果效应的迹象并检查它们随时间的变化。在对模拟数据的综合实验中，我们表明，我们的框架在推断格兰杰因果关系方面与几种强大的基线方法不相上下，并且在推断相互作用符号方面具有更好的性能。结果表明，我们的框架是一个可行的和更可解释的替代稀疏输入神经网络推断格兰杰因果关系。
2021-01-19 cs.LG stat.ML
Causal-BALD: Deep Bayesian Active Learning of Outcomes to Infer Treatment-Effects from Observational Data
OATML（牛津大学机器学习与应用实验室）；University of Oxford（牛津大学）；Machine Learning and Causal Inference in Healthcare Lab（医疗保健机器学习与因果推理实验室）；Technion（以色列理工学院）
在实验设计不可行、不道德或昂贵的情况下，从高维观察数据估计个性化治疗效果至关重要。现有的方法依赖于对治疗人群和对照人群观察到的结果拟合深度模型。然而，当测量个体结果是昂贵的时，如肿瘤活检的情况，需要用于获取每个结果的样本效率策略。深度贝叶斯主动学习通过选择具有高不确定性的点来提供高效数据采集的框架。然而，现有方法使训练数据采集偏向于处理群体和对照群体之间的非重叠支持区域。这些都不是样本效率，因为在这些地区的治疗效果是无法识别的。我们引入因果，贝叶斯采集功能接地信息论，偏置数据采集区域重叠的支持，以最大限度地提高样本效率学习个性化的治疗效果。我们展示了所提出的采集策略在合成和半合成数据集IHDP和CMNIST及其扩展上的性能，这些扩展旨在模拟常见的数据集偏差和病理。
2022-02-01 cs.LG stat.ML
ROCK: Causal Inference Principles for Reasoning about Commonsense Causality
University of Pennsylvania（宾夕法尼亚大学）；Tencent AI Lab（腾讯人工智能实验室）；Amazon AWS AI Labs（亚马逊AWS人工智能实验室）
常识因果推理（CCR）的目的是在一般人认为合理的自然语言描述中识别可能的原因和结果。虽然是巨大的学术和实践的兴趣，这个问题仍然是一个良好的理论框架的缺乏阴影;现有的工作通常依赖于深语言模型全心全意，并可能容易混淆同现。受经典因果原则的启发，我们阐明了CCR的核心问题，并在观察性研究中的人类受试者与自然语言之间进行了比较，以将CCR纳入潜在结果框架，这是常识性任务的首次尝试。我们提出了一个新的框架，岩石，原因O（A）约常识K（C）的因果关系，它利用时间信号作为偶然的监督，并平衡混淆的影响，使用类似于倾向分数的时间倾向。ROCK的实现是模块化和zero-shot的，并展示了良好的CCR功能。
2022-06-17 cs.AI cs.CL cs.LG
The Variance of Causal Effect Estimators for Binary V-structures
调整协变量是一种公认的方法，用于估计暴露变量对关注结果的总体因果效应。根据所研究的机制的因果结构，可能有不同的调整集，从理论角度来看同样有效，导致相同的因果效应。然而，在实践中，有限的数据，估计建立在不同的集合可能会显示不同的精度。为了研究这种变化的程度，我们考虑最简单的非平凡的非线性模型的v-结构上的三个节点的二进制数据。我们明确地计算和比较两个可能的不同的因果估计的方差。此外，通过超越领先的顺序渐近，我们表明，有参数制度的渐近最优方差的设置依赖于边缘系数，这是没有捕获的结果，最近的领先的顺序发展一般的因果模型。作为一个实际结果，调整集的选择需要考虑变量之间的关系相对于样本量的相对大小，不能依赖于纯粹的图形标准。
2021-04-26 math.ST stat.TH
An Introduction to Causal Inference Methods with Multi-omics Data
本文综述了利用孟德尔随机化对多组学数据进行因果推断的挑战与四种可在R环境中执行的MR方法，旨在识别疾病相关的组学生物标志物。
2024-02-20 stat.AP
Regime Identification for Improving Causal Analysis in Non-stationary Timeseries
本文提出将区制识别技术应用于多变量非平稳时间序列，利用黎曼空间协方差矩阵划分局部平稳区段，并通过合成与真实数据验证了按区制分析可有效改进因果结构发现。
2024-04-12 stat.AP
A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis
University of Michigan（密歇根大学）
本文提出一个因果机器学习框架，用于评估临床试验中治疗个性化的效果，发现内镜特征虽与治疗效应异质性相关，但未改善患者结果。
2026-02-09 cs.LG stat.AP stat.ME
