CURLS: Causal Rule Learning for Subgroups with Significant Treatment Effect
Zhejiang University（浙江大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
本文提出CURLS因果规则学习方法，将规则学习建模为离散优化问题以平衡效应、方差和可解释性，实验证明其能发现效应更高、方差更小的亚组。
2024-07-01 cs.LG stat.ME
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
Bayesian hierarchical bootstrap framework for causal subgroup estimation with a time-to-event outcome
Dalla Lana School of Public Health, University of Toronto（多伦多大学达拉·兰纳公共卫生学院）；Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children（多伦多加急儿童医院胃肠病、肝病与营养科）；University of Utah and Intermountain Healthcare Primary Children’s Hospital（犹他大学和盐湖城初级儿童医院）；Institute of Health Policy, Management and Evaluation, University of Toronto（多伦多大学卫生政策、管理与评估研究所）
该研究针对含时间-事件结局的因果亚组估计问题，提出分层贝叶斯自助法框架，可稳定稀疏亚组的生存估计，模拟研究显示其性能优于贝叶斯加法回归树。
2026-08-04 stat.ME
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
Efficient and robust methods for causally interpretable meta-analysis: transporting inferences from multiple randomized trials to a target population
我们提出了因果关系可解释的荟萃分析方法，结合多个随机试验的信息，以估计潜在的（反事实）结果的手段和目标人群的平均处理效应。我们认为可识别性条件，推导出的条件的影响，观察到的数据的法律，并获得识别结果运输因果推断从一组独立的随机试验，一个新的目标人群中，实验数据可能无法使用。我们提出了一个估计的潜在（反事实）的结果平均在目标人群下的每一个治疗研究的试验。估计量使用来自试验集合的协变量、治疗和结果数据，但仅使用来自目标人群样本的协变量数据。我们表明，它是双重强大的，在这个意义上说，它是一致的，渐近正常时，它依赖的模型中的至少一个是正确指定的。我们在模拟研究中研究了估计量的有限样本性质，并使用多中心随机试验的数据演示了其实现。
2022-02-05 stat.AP stat.ME
An Algorithm for Identifying Interpretable Subgroups With Elevated Treatment Effects
Department of Political Science, Stanford University（政治学系，斯坦福大学）
提出一种基于条件平均处理效应（CATE）估计识别可解释子群的算法，利用规则集刻画高阶交互，通过权衡子群规模与效应规模生成Pareto最优规则集前沿，辅助决策与政策实施。
2025-07-13 cs.LG econ.EM stat.ME
Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data
我们提出了因果关系树，以确定亚组的参与者，增强了处理效应使用观察数据。我们扩展了分类和回归树算法，使用分裂标准，重点是最大限度地提高组间处理效应异质性的基础上，亚组特定的处理效应估计，以决定在算法中的决策。我们推导出三个亚组特定的处理效应估计，占观察性质的数据-逆概率加权，g-公式和双稳健估计的属性。我们使用模拟研究所提出的算法的性能，并在一项观察性研究中实施该算法，以评估右心导管插入术对危重患者的有效性。
2020-03-06 stat.ME stat.ML
Hierarchical Bias-Driven Stratification for Interpretable Causal Effect Estimation
IBM Research（IBM研究院）；University of Oxford（牛津大学）
针对现有透明因果效应估计方法多为黑盒事后解释、缺乏可解释性的问题，提出可解释平衡方法BICauseTree，基于定制目标的决策树实现局部自然实验聚类识别与偏差降低，性能与现有方法相当。
2024-01-31 cs.LG stat.ME 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
CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks
causalKANs通过Kolmogorov-Arnold网络实现可解释的治疗效应估计，提供高准确性和可解释性的平衡解决方案。
2025-12-05 cs.LG stat.ML
Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients
CNRS（法国国家科学研究中心）；Institut Curie（居里研究所）；Université PSL（巴黎文理研究大学）；Sorbonne Université（索邦大学）；INSERM（法国国家健康与医学研究院）；Université Paris（巴黎大学）
发现因果效应是科学研究的核心，但当只有观测数据时，仍然具有挑战性。在实践中，因果网络很难学习和解释，并且仅限于相对较小的数据集。我们报告了一种更可靠和可扩展的因果发现方法（iMIIC），基于一般的互信息上确界原理，该方法大大提高了推断因果关系的精度，同时区分了真正的原因和假定的潜在因果效应。我们展示了来自美国监测，流行病学和最终结果计划的396，179名乳腺癌患者的合成和现实生活中的医疗数据。90%以上的预测因果效应似乎是正确的，而其余的意外直接和间接因果效应可以从诊断程序、治疗时机、患者偏好或社会经济差异方面进行解释。iMIIC的独特能力为在一系列研究领域发现可靠和可解释的因果网络开辟了新的途径。
2023-03-11 cs.LG physics.data-an q-bio.MN
Interpretable, multi-dimensional Evaluation Framework for Causal Discovery from observational i.i.d. Data
Humboldt University Berlin（柏林洪堡大学）；Bucharest University of Economic Studies（布加勒斯特经济研究大学）
针对观测数据非线性因果发现缺乏统一评估框架的问题，提出可解释的六维评估指标DOS，并通过大规模模拟研究评估七类结构学习算法，发现摊销因果发现性能接近最优。
2024-12-16 cs.LG stat.ML
Interpretable Subgroup Discovery in Treatment Effect Estimation with Application to Opioid Prescribing Guidelines
IBM Research（IBM研究院）；Carnegie Mellon University（卡内基梅隆大学）；IBM Global Business Services（IBM全球企业咨询服务部）
医生处方指南的缺乏是目前美国阿片类药物流行的一个关键驱动因素。在这项工作中，我们分析了医疗和药物索赔数据，以了解在最初的合成阿片类药物处方后更容易出现不良结果的患者的特征。为此，我们提出了一个生成模型，允许从亚组的观察数据中发现，这些亚组表现出由于治疗而增强或减弱的因果效应。我们的方法将这些子群体建模为混合分布，使用稀疏性来增强可解释性，同时联合学习潜在结果的非线性预测因子，以更好地调整混淆。该方法导致人类可解释的见解发现的子群，提高决策支持的实际效用
2020-03-04 cs.LG stat.ML
Interpretable Deep Causal Learning for Moderation Effects
University College London（伦敦大学学院）；The Alan Turing Institute（艾伦·图灵研究所）
在这篇扩展的抽象论文中，我们解决了因果机器学习模型中的可解释性和有针对性的正则化问题。特别是，我们专注于在观察到的混杂因素下估计个体因果/治疗效应的问题，这些混杂因素可以控制和调节治疗对感兴趣结果的影响。针对因果设置进行调整的黑盒ML模型在这项任务中通常表现良好，但它们缺乏可解释的输出，无法识别治疗异质性的主要驱动因素及其功能关系。我们提出了一种新型的深度反事实学习架构，用于估计个体治疗效果，可以同时：i）传达有针对性的正则化，并围绕感兴趣的数量产生量化的不确定性（即，条件平均治疗效应）; ii）解开协变量的基线预后和调节效应，并输出描述其与结果关系的可解释评分函数。最后，我们通过一个简单的模拟实验演示了该方法的使用。
2022-07-11 cs.AI cs.LG stat.ML
Data-driven discovery of interpretable causal relations for deep learning material laws with uncertainty propagation
Johns Hopkins University（约翰斯·霍普金斯大学）；Columbia University（哥伦比亚大学）
本文提出了一个计算框架，产生合奏预测力学模型与不确定性量化（UQ）。首先，我们开发了一个因果发现算法，通过有向无环图（DAG）来推断在每个代表性体积元素（RVE）模拟过程中测量的时间历史数据之间的因果关系。利用从多个RVE模拟估计的多组合理的因果关系，预测在导出的因果图中传播，同时使用配备有dropout层的深度神经网络作为用于不确定性量化的贝叶斯近似。我们选择了两个有代表性的数值例子（摩擦界面的牵引分离定律，颗粒集合体的弹塑性模型）来检验所提出的因果发现方法在土木工程应用中常见的材料定律预测的准确性和鲁棒性。
2021-05-20 cs.LG stat.ML
Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes
Carnegie Mellon（卡内基梅隆大学）
涉及随机化实验以及观察性数据的研究通常涉及至事件结局的时间，例如至失败、死亡或不良状况发生的时间。由于失访，这些结局通常会被删失，并且既定的统计实践涉及比较治疗组和对照组之间的风险比方面的治疗疗效。在本文中，我们提出了一种统计方法来恢复稀疏表型（或亚型），表现出差异处理效应相比，研究人群。我们的方法包括将数据建模为混合物，同时通过结构化稀疏正则化来执行参数收缩。我们提出了一种新的推理程序所提出的模型，并证明其在恢复稀疏表型在心血管健康的大型标志性现实世界的临床研究的有效性。
2023-02-24 cs.LG stat.ME stat.ML
CIExplainer++: Generating Causal and Interpretable Explanations for Graph Neural Networks
NOVA LINCS；NOVA School of Science and Technology（NOVA科技学院）
提出CIExplainer方法，基于潜在结果框架识别对GNN预测因果影响最大的子图，并进一步提出G2TeXplainer将因果子图转化为自然语言解释。
2026-06-23 cs.LG stat.OT
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
Towards causally interpretable meta-analysis: transporting inferences from multiple studies to a target population
我们通过描述将因果推断从一组随机试验转移到一个新的目标人群、一次一项试验和合并所有试验的方法，逐步走向因果可解释的荟萃分析。我们讨论了目标人群中平均处理效应的可识别性条件，并提供了识别结果。我们发现，假设推论是运输从所有的试验中收集到相同的目标人群的法律所观察到的数据的影响。我们提出了依赖于不同工作模型的平均处理效应估计，并提供了在统计软件中实现的代码。我们讨论了如何使用的数据来检查是否运输的推论是均匀的收集试验，素描的敏感性分析违反可识别性条件的方法，并描述扩展，以解决不遵守的试验。最后，我们使用HALT-C多中心试验的数据来说明所提出的方法。
2020-02-08 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
Interpretable Neural Causal Models with TRAM-DAGs
HTWG Konstanz（康斯坦茨应用科学大学）
针对现有神经因果模型可解释性不足、适用变量类型受限的问题，提出TRAM-DAG方法，用变换模型建模SCM的函数关系，兼顾可解释性与灵活性，在因果层级各层查询任务中性能达到或优于现有最优模型。
2025-03-20 cs.LG stat.ML
Combining SHAP and Causal Analysis for Interpretable Fault Detection in Industrial Processes
Labcin - Nature Inspired Computing Laboratory（自然启发计算实验室）；Graduate Program in Computer Science, Federal University of Espírito Santo（计算机科学研究生项目，巴西圣埃里希托萨大学）
本研究针对工业过程故障检测性能与可解释性不足的问题，结合SHAP特征筛选与多算法生成有向无环图的因果分析，在Tennessee Eastman Process基准上提升了检测精度，明确了故障传播机制与关键影响单元。
2025-10-27 cs.LG stat.ME
Learning Interpretable Models with Causal Guarantees
Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）
机器学习在帮助提高医疗、法律和金融决策质量方面表现出了很大的潜力。在这些应用中，机器学习模型必须满足两个重要标准：（i）它们必须是因果关系，因为目标通常是预测个体治疗效果，（ii）它们必须是可解释的，以便人类决策者可以验证和信任模型预测。最近在每个方向上都取得了很大的进展，但最先进的方法从根本上是不相容的。我们提出了一个框架，从观察数据中学习可解释的模型，可用于预测个体治疗效果（ITE）。特别是，我们的框架将任何监督学习算法转换为估计ITE的算法。此外，我们证明了我们的模型预测的治疗效果的误差界。最后，在对真实世界数据的实验中，我们表明使用我们的框架训练的模型显著优于一些基线。
2021-10-11 cs.LG stat.ML
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
Yale University（耶鲁大学）；University of Notre Dame（圣母大学）；University of California Irvine（加州大学尔湾分校）
本研究提出因果提炼树（CDT），结合黑箱模型的预测性能与决策树的可解释性，在HIV抗逆转录病毒治疗随机对照试验中构建稳定临床相关子群，性能优于现有方法。
2026-09-01 stat.ME
Interpretable Causal Graphical Models for Equilibrium Systems with Confounding
University College London（伦敦大学学院）
本文提出可解释的因果图模型用于具有混杂因素的平衡系统，通过抗性图方法提供有效的图表示，并提出灵活的调整集选择方法。
2026-03-25 math.ST stat.ME stat.TH
Interpretable Causal Inference for Analyzing Wearable, Sensor, and Distributional Data
Duke University（杜克大学）；Johns Hopkins University（约翰斯·霍普金斯大学）
本文提出一种可解释的分布数据分析方法ADD MALTS，通过将可穿戴设备与传感器数据表示为分布进行因果推断，提供了估计正确性保证，并在模拟和连续血糖监测仪研究中验证了其在估计处理效应方面的优越性与可信度。
2024-03-20 cs.LG eess.SP stat.ME
Co-Supervised Tree Synthesis for Interpretable Subgroup Identification and Honest Treatment Effect Inference in Randomized Trials
The Pennsylvania State University（宾夕法尼亚州立大学）；Florida State University（佛罗里达州立大学）
提出CausalSynthTree，用黑盒因果估计器指导可解释树构建，实现亚组识别与诚实推断，在模拟和真实试验中优于现有方法。
2026-10-06 stat.ME stat.ML
Systematically Missing Data in Causally Interpretable Meta-Analysis
因果关系可解释荟萃分析结合了来自随机对照试验集合的信息，以估计目标人群中的处理效应，其中可能无法进行实验，但可以从简单的随机样本中收集协变量信息。在这些分析中，一个关键的实际挑战是系统性的缺失数据，当一些基线协变量没有在所有试验中收集时。在此，我们提供了在荟萃分析中某些试验的协变量数据系统性缺失时，目标人群中潜在（反事实）结局平均值和平均处理效应的识别结果。我们提出了三个估计的平均处理效应在目标人群中，检查他们的渐近性质，并表明，他们有良好的有限样本性能的模拟研究。我们使用估计器来分析来自两个大型肺癌筛查试验的数据和来自国家健康和营养检查调查（NHANES）的目标人群数据。为了适应复杂的调查设计的NHANES，我们修改的方法，将调查抽样权重，并允许聚类。
2022-05-02 stat.ME
Identifiability of Subgroup Causal Effects in Randomized Experiments with Nonignorable Missing Covariates
虽然随机化实验被广泛认为是估计因果效应的金标准，但预处理协变量的缺失数据使得估计亚组因果效应具有挑战性。当协变量的缺失数据机制是不可识别的时，感兴趣的参数通常是不可点识别的，并且我们只能得到感兴趣的参数的界限，这对于实际使用来说可能太宽了。在某些实际情况下，我们有先验知识，认为某些限制可能是合理的。我们展示了四种可解释的缺失数据机制的因果效应和联合分布的可识别性，并通过模拟研究评估了统计推断的性能。我们的方法的一个应用程序，从一个随机临床试验的真实数据集显示，一个不可重复的缺失数据机制比可重复的缺失数据机制更适合，结果符合研究的原始专家意见。我们还说明了我们的方法的潜在应用，观察性研究使用的数据集，从一个工作培训计划。
2014-01-07 math.ST stat.AP stat.TH
Using Multiple Imputation to Classify Potential Outcomes Subgroups
随着医学测试越来越普及，对过度测试和过度治疗的担忧急剧增加。因此，重要的是要了解测试的影响，在一般的做法治疗选择。大多数统计方法侧重于测试对治疗决策的平均影响。然而，这可能是不明智的，特别是对于那些往往不会从这种测试中受益的患者亚组。此外，缺失数据很常见，对统计方法的有效性构成了巨大的、往往未得到解决的威胁。最后，最好进行可以解释因果关系的分析。我们建议将患者分为四个潜在的结果亚组，定义为患者的治疗选择是否改变了测试结果和测试结果如何改变治疗选择的方向。这种亚组分类自然地捕捉了医学测试对不同患者的治疗选择的不同影响，这可以建议提高医学测试利用率的目标。然后，我们可以检查与患者潜在结局亚组成员资格相关的患者特征。我们使用多重插补方法同时插补缺失的潜在结局以及常规缺失值。这种方法也可以提供许多传统因果量的估计。我们发现，明确地将因果推断假设纳入多重插补过程中，可以提高一些因果估计的精度。我们还发现，当潜在的结果条件独立性假设被违反时，可能会发生偏差，敏感性分析，建议评估这种违反的影响。我们应用所提出的方法来研究21基因检测，最常用的基因组检测，对乳腺癌患者化疗选择的影响。
2020-08-10 stat.AP stat.ME
Interpretable Causal Discovery via Causal-Effect Constraints
Yale University（耶鲁大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
该研究将条件因果发现转化为贝叶斯推理问题，采用稀有事件估计技术解决小后验质量事件的计算挑战，经合成图和Sachs蛋白质数据集验证了方法的准确性与辅助科学探索的作用。
2026-09-24 cs.AI cs.LG stat.ML
A causal graph-informed temporal convolution architecture for interpretable retail electricity price forecasting
The Ohio State University（俄亥俄州立大学）；John Glenn College of Public Affairs, The Ohio State University（俄亥俄州立大学约翰·格伦公共事务学院）
本研究提出CG-TCN模型，通过整合因果图与时序卷积网络提升零售电价预测的精度与可解释性，在俄亥俄州数据上的预测误差优于基准模型，可为电力市场相关决策提供支撑。
2026-08-28 cs.LG stat.AP
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
Causally Interpretable Meta-Mediation Analysis With Missing At Random Mediator and Outcome Data
EPILOGY, Institut Mondor of Biomedical Research, INSERM U955（INSERM U955 蒙多尔生物医学研究所 EPILOGY）；Université Paris-Est Créteil（巴黎东克雷泰伊大学）；Mines Paris, Université Paris Sciences Lettres（巴黎矿业学院，巴黎文理研究大学）；Department of Mathematics, Université du Québec à Montréal（蒙特利尔大学数学系）
针对标准中介元分析的局限，提出新方法将特定研究的自然间接效应估计转移到目标人群，能整合相关研究，构建灵活估计器并开发新模型，通过模拟和真实数据评估有限样本性能，提升了因果可解释性和元中介分析的有效性。
2026-07-30 stat.AP stat.ME
Causal Rule Ensemble: Interpretable Discovery and Inference of Heterogeneous Treatment Effects
本文提出因果规则集成（CRE）方法，通过树集成实现异质性处理效应的可解释发现与估计，兼具稳定性，并在3530万医保人群的空气污染健康效应分析中验证其有效性。
2024-05-27 stat.ME stat.ML
Causally-interpretable meta-analysis using aggregate data
University of Groningen（格罗宁根大学）；University Medical Center Utrecht（乌得勒支大学医学中心）；University Medical Center Groningen（格罗宁根大学医学中心）；Groningen Research Institute of Pharmacy（格罗宁根药学研究所）；Dutch National Institute of Public Health and the Environment (RIVM)（荷兰国家公共卫生与环境研究所（RIVM））；Harvard T.H. Chan School of Public Health（哈佛大学陈曾熙公共卫生学院）
提出一种仅需试验聚合数据的新版因果可解释荟萃分析方法，通过构建矩方程估计条件平均处理效应函数，进而得到目标人群的平均处理效应，并建立渐近性质。
2026-05-26 stat.ME
A Two-Stage Interpretable Matching Framework for Causal Inference
Northeastern University（东北大学）
针对观测数据因果推断中的协变量匹配问题，提出两阶段可解释匹配（TIM）框架，通过精确匹配与迭代优化提升CATE估计质量、多变量重叠度并支持高维数据，在合成与真实医疗数据集验证了有效性。
2025-04-13 cs.AI stat.ME
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
Interpretable Almost Matching Exactly for Causal Inference
Duke University（杜克大学）
我们的目标是为潜在结果框架中的分类数据创建尽可能高质量的治疗-对照匹配。匹配方法由于其可解释性而在社会科学中大量使用，但大多数匹配方法都不能通过基本的健全性检查：当引入不相关的变量时，它们会失败，并且往往要么计算缓慢，要么产生低质量的匹配。在这项工作中提出的方法的目的是匹配加权汉明距离的单位，考虑到协变量的相对重要性;该算法的目的是匹配尽可能多的相关变量的单位。为此，该算法创建了一个协变量组合的层次结构，在此基础上进行匹配（类似于向下闭包），在此过程中为每个单元解决一个优化问题，以构建最佳匹配。该算法使用一个单一的动态程序来解决所有的优化问题同时进行。我们的方法比现有的匹配程序显着的优点是其高质量的匹配，在处理不同的数据分布，可能有不相关的变量，并能够处理缺失数据尽可能多的可用协变量匹配。
2019-06-08 cs.LG stat.ME stat.ML
Assessment of the conditional exchangeability assumption in causal machine learning models: a simulation study
本研究通过模拟评估了条件可交换性被违反时因果机器学习模型在估计个体化处理效应中的表现，发现此类违反会限制估计有效性，并证明阴性对照结局可作为检测亚组未测量混杂的有效诊断工具。
2025-10-30 cs.LG stat.ML
Causal Clustering for Conditional Average Treatment Effects Estimation and Subgroup Discovery
Georgia Institute of Technology（佐治亚理工学院）
提出基于因果森林学习核的聚类框架，通过估计去偏CATEs并应用核化聚类，有效发现对处理敏感的亚群并捕捉异质性处理效应。
2025-09-17 cs.LG stat.ML
Beyond AHI: An Interpretable Causal-Discovery-Guided Framework for Sleep Recovery in Connected Health
University of California, Irvine（加州大学尔湾分校）
提出一种可解释的因果发现引导框架，从多模态PSG中推导层次化睡眠恢复评分(SRS)，在两大队列中SRS与感知恢复的关联强度是AHI的2.5倍。
2026-09-02 cs.LG eess.SP stat.AP
Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects
Dublin International College Beijing University of Technology（北京理工大学 Dublin 国际学院）
针对基于树的因果推理技术在观测数据中估计误差高的问题，提出动态正则化因果提升决策树（CBDT）框架，通过整合方差正则化与平均处理效应校准、动态更新正则化参数，显著提升估计精度并保持可解释性。
2025-04-18 cs.LG stat.ML
Causal Analysis of the TOPCAT Trial: Spironolactone for Preserved Cardiac Function Heart Failure
causaLens（causaLens公司）；King’s College London（伦敦国王学院）；Baylor Scott & White Research Institute（贝勒斯科特与怀特研究所）；University of Mississippi（密西西比大学）；Hobart Group（霍巴特集团）
我们描述的结果应用因果发现方法的数据，从多个站点的临床试验，对保留心脏功能的心力衰竭与醛固酮拮抗剂（TOPCAT）的治疗。该试验是不确定的，没有明确的好处一致显示整个队列。然而，对于队列的地理亚组，存在关于诊断和治疗方案可靠性的问题。随着医疗背景下的领域知识的形式，因果发现被用来证明区域差异和框架的区域可移植性的结果。此外，我们表明，在全球范围内，特别是对于某些亚组，治疗具有显着的因果关系，从而提供了一个更精细的视图的试验结果。
2022-11-23 cs.LG stat.AP 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
Transportability of aggregate trial results to an external environment in causally interpretable meta-analysis
EPIDERME, INSERM U955, Institute Mondor of Biomedical Research, University Paris Est Créteil（EPIDERME，INSERM U955，蒙多尔生物医学研究所，巴黎东克雷泰伊大学）
本文提出了一种新的方法，通过将试验成员资格建模为基线协变量的函数，将汇总数据纳入因果可解释荟萃分析，以克服汇总结果模型的局限性。
2026-02-17 stat.ME
Unsupervised dense random survival forests identify interpretable patient profiles with heterogeneous treatment benefit
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）；Amgen（安进）；Telperian（特尔佩里安）
本文提出无监督的密集随机生存森林方法，用于识别具有异质治疗效益的患者亚组，通过模拟和临床试验验证其有效性。
2026-01-04 stat.ME
A Transfer Learning Causal Approach to Evaluate Racial/Ethnic and Geographic Variation in Outcomes Following Congenital Heart Surgery
针对先天性心脏手术结果评估中种族/民族差异的难题，提出结合迁移学习的因果推断框架，利用STS-CHSD数据发现非西班牙裔黑人患者在不同地区的30天死亡率存在显著差异。
2024-03-21 stat.AP stat.ME stat.ML
Modern Causal Inference Approaches to Improve Power for Subgroup Analysis in Randomized Controlled Trials
New York University School of Medicine（纽约大学医学院）
本文提出了一种结合基线预测因子和外部数据的因果推断方法，以提高小型随机对照试验中亚组分析的统计功效，并通过模拟和实际数据验证其有效性。
2026-02-11 stat.ME
Causal mediation in cluster-randomized trials with multiple mediators: spillover-aware decomposition, identification, and semiparametric efficient inference
Yale School of Public Health（耶鲁大学公共卫生学院）
本文提出了一种统一框架，用于研究集群随机试验中多重中介的因果机制，引入了可解释的因果假设，并通过模拟研究评估了所提估计量的有限样本性能。
2026-04-12 stat.ME
Interpretable Machine Learning: Fundamental Principles and 10 Grand Challenges
Duke University（杜克大学）；University of Maine（缅因大学）
机器学习（ML）中的可解释性对于高风险决策和故障排除至关重要。在这项工作中，我们为可解释的ML提供了基本原则，并消除了淡化这一关键主题重要性的常见误解。我们还确定了可解释机器学习的10个技术挑战领域，并提供了每个问题的历史和背景。这些问题中有些是经典的重要问题，有些是最近几年出现的问题。这些问题是：（1）优化稀疏逻辑模型，如决策树;（2）优化评分系统;（3）将约束放入广义加法模型中，以鼓励稀疏性和更好的可解释性;（4）现代基于案例的推理，包括神经网络和因果推理的匹配;（5）神经网络的完全监督解纠缠;（6）神经网络的完全或甚至部分无监督解纠缠;（7）数据可视化的简化;（8）可以结合物理和其他生成或因果约束的机器学习模型;（9）良好模型的“罗生门集”的表征;（10）可解释的强化学习。本调查适合作为对可解释机器学习感兴趣的统计学家和计算机科学家的起点。
2021-07-10 cs.LG stat.ML
Sharp instruments for classifying compliers and generalizing causal effects
众所周知，在不限制处理效应异质性的情况下，工具变量（IV）方法仅识别依从者中的“局部”效果，即，仅在IV鼓励下接受治疗的受试者。当地的影响是有争议的，因为它们似乎只适用于一个身份不明的亚组;这导致许多人谴责这些影响没有什么政策意义。然而，我们表明，这种悲观主义并不总是有道理的：它是可能的，在某些情况下，准确地预测谁是合规者，并获得更普遍的影响，在可识别的子群紧界。我们提出了这样做的方法，并研究其估计误差和渐近性质，表明这些任务在理论上可以完成，即使非常弱的IV。我们继续介绍一种新的衡量IV质量的方法，称为“锐度”，它反映了协变量解释的合规性变化，并捕捉如何识别合规者，并获得可识别的子组效应的严格界限。我们开发了一个估计的清晰度，并证明了它是渐近有效的弱条件下。最后，我们通过模拟来探索有限样本的性质，并应用这些方法来研究拉票对选民投票率的影响。我们建议，锋利度应与强度一起评估IV质量。
2019-05-30 stat.ME
Multiply robust estimation of causal effects under principal ignorability
因果推断不仅涉及治疗对结局的平均影响，还涉及通过感兴趣的中间变量的潜在机制。主要分层通过针对主要层内的亚组因果效应来表征这种机制，主要层由中间变量的联合潜在值定义。由于因果推断的基本问题，主要阶层本质上是潜在的，这使得识别和估计其中的亚组效应具有挑战性。一系列的研究利用了主要的可解释性假设，即潜在的主要层是平均独立的潜在结果条件下观察到的协变量。根据主要的可验证性，我们推导出各种非参数识别公式的因果关系的影响，在观察性研究中，激励估计依赖于正确的规格的不同部分的数据分布。适当地结合这些估计产生三重稳健估计的因果关系的影响，在主要阶层。这些三重稳健估计是一致的，如果两个治疗，中间变量和结果模型被正确指定，而且，他们是局部有效的，如果所有三个模型都被正确指定。我们表明，这些估计自然产生的有效的影响函数的半参数理论或模型辅助估计的调查抽样理论。我们评估不同的估计基于其有限样本的性能，通过模拟和应用它们的两个观察性研究。
2022-03-28 stat.ME
Estimating Heterogeneous Causal Effects with Tree-Based Methods under Imperfect Compliance
University of Duisburg-Essen（杜伊斯堡-埃森大学）
针对不完全依从场景，提出两种非贝叶斯树方法（DRRF-IV和GRF-IV）估计条件依从者平均因果效应，模拟显示性能与BCF-IV相当且计算更快，并应用于ICU及时入院对死亡率影响的子组分析。
2026-09-29 econ.EM stat.ME
