Deep Structural Causal Models for Tractable Counterfactual Inference
Imperial College London（伦敦帝国理工学院）
我们制定了一个通用框架，用于构建具有深度学习组件的结构因果模型（SCM）。所提出的方法采用规范化流和变分推断来实现对外源噪声变量的易处理的推理-这是现有深度因果学习方法中缺少的反事实推理的关键步骤。我们的框架在MNIST上构建的合成数据集以及真实世界的大脑MRI扫描医学数据集上进行了验证。我们的实验结果表明，我们可以成功地训练深SCM，能够所有三个层次的珍珠的阶梯的因果关系：关联，干预和反事实，从而产生一个强大的新方法来回答因果问题的成像应用和超越。我们所有实验的代码都可以在https://github.com/biomedia-mira/deepscm上找到。
2020-10-22 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
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
Adaptive Experimental Design and Counterfactual Inference
Amazon（亚马逊）；University of Washington（华盛顿大学）
自适应实验设计方法越来越多地被用于工业中作为一种工具，以提高测试吞吐量或降低实验成本相对于传统的A/B/N测试方法。本文分享了在非平稳性普遍存在的工业环境中天真地使用自适应实验系统的挑战和陷阱方面的经验教训，同时还提供了这些环境中适当目标和系统规格的观点。我们开发了一个自适应的实验设计框架，反事实推理的基础上，这些经验，并在商业环境中进行了测试。
2022-10-25 cs.LG stat.ME
Flow IV: Counterfactual Inference In Nonseparable Outcome Models Using Instrumental Variables
Chalmers University of Technology（查尔姆斯理工大学）
本文提出Flow IV方法，通过工具变量和正常化流估计可逆结果函数，实现非可分离模型中的反事实推断。
2026-03-28 cs.LG stat.ML
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
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
Estimating Categorical Counterfactuals via Deep Twin Networks
Imperial College London（帝国理工学院）；Spotify（Spotify公司）；FAU Erlangen-Nuremberg（埃尔朗根-纽伦堡大学）；University College London（伦敦大学学院）
反事实推理是一种强大的工具，能够解决备受瞩目的领域中的挑战性问题。为了进行反事实推理，需要了解潜在的因果机制。然而，因果机制不能仅仅从观察和干预来确定。这就提出了一个问题，即如何选择因果机制，使所得的反事实推理在给定的领域是可信的。这个问题已经在二元变量的因果模型中得到了解决，但是分类变量的情况仍然没有答案。我们通过引入因果模型与分类变量的概念，反事实排序，假设理想的属性因果机制应该是一个原则，并证明它是等价于特定的功能约束的因果机制，以应对这一挑战。为了学习满足这些约束的因果机制，并使用它们进行反事实推理，我们引入了深度孪生网络。这些是深度神经网络，在训练时，能够进行双网络反事实推理--一种替代绑架、行动和预测方法的方法。我们在来自医学、流行病学和金融的各种真实世界和半合成数据上实证测试了我们的方法，报告了对反事实概率的准确估计，同时展示了当反事实排序不被强制执行时反事实推理所产生的问题。
2023-01-20 cs.AI cs.LG
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
Learning Decomposed Representation for Counterfactual Inference
Zhejiang University（浙江大学）；Tsinghua University（清华大学）；NetEase Inc.（网易公司）
从观察数据估计处理效应的基本问题是混杂因素的识别和平衡。大多数以前的方法通过将所有观察到的治疗前变量作为混杂因素来实现混杂因素平衡，忽略了进一步识别混杂因素和非混杂因素。一般而言，并非所有观察到的治疗前变量都是指治疗和结局的常见原因的混杂因素，一些变量仅对治疗有贡献，一些变量仅对结局有贡献。平衡这些非混杂因素，包括工具变量和调整变量，将产生处理效应估计的额外偏倚。通过对观察到的治疗前变量、治疗和结果之间的不同因果关系建模，我们提出了一个协同学习框架：1）通过学习混杂因素和非混杂因素的分解表示来识别混杂因素; 2）通过样本重新加权技术来平衡混杂因素; 3）同时通过反事实推理来估计观察性研究中的处理效应。在合成数据集和真实数据集上的实验结果表明，该方法能够精确分解混杂因素，并实现比基线更精确的处理效应估计。
2021-10-12 cs.LG stat.ME 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
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
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
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
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
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 (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
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
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
Probabilistic Counterfactual Inference for Discrete Outcomes in Gaussian-Process Causal Models
University of Waterloo（滑铁卢大学）；Vector Institute for Artificial Intelligence（向量人工智能研究所）
针对GP-SCM中离散结果的反事实推断，提出统一概率框架，推导精确噪声推断程序，并证明耦合误设会显著增加反事实误差。
2026-10-07 cs.LG
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
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
On Counterfactual Interventions in Vector Autoregressive Models
Department of Electrical；Computer Engineering, Stony Brook University, Stony Brook, NY 11794, USA
本文提出在向量自回归模型中引入反事实推理，通过联合回归学习因果模型，并利用线性特性精确预测干预效果及量化总因果效应。
2024-06-27 cs.LG eess.SP stat.ME
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
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
Measuring axiomatic soundness of counterfactual image models
Imperial College London（伦敦帝国理工学院）；Microsoft Research Cambridge（微软剑桥研究院）
我们提出了一个评估图像反事实的一般框架。深度生成模型的强大功能和灵活性使其成为结构因果模型中学习机制的宝贵工具。然而，它们的灵活性使得反事实识别在一般情况下是不可能的。出于这些问题，我们重新审视珍珠的公理化定义的反事实，以确定任何反事实推理模型的必要约束：组成，可逆性和有效性。我们将反事实框定为输入变量、其父变量和反事实父变量的函数，并使用公理约束来限制可以表示反事实的函数集，从而推导出近似函数和理想函数之间的距离度量。我们演示了如何使用这些指标来比较和选择不同的近似反事实推理模型，并提供洞察模型的缺点和权衡。
2023-03-02 cs.CV cs.LG
Variational Inference of Parameters in Opinion Dynamics Models
Sapienza University（萨皮恩扎大学）
本文提出利用变分推断方法估计意见动力学模型参数，通过概率生成模型和优化技术提升参数估计精度，实现对社会系统中人类行为的数据驱动分析。
2025-12-03 cs.CY cs.LG cs.SI
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
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
CEPAE: Conditional Entropy-Penalized Autoencoders for Time Series Counterfactuals
Novartis（诺华）；Novartis Barcelona Supercomputing Center（诺华巴塞罗那超级计算中心）；Barcelona Supercomputing Center（巴塞罗那超级计算中心）
CEPAE通过条件熵惩罚机制提升时间序列反事实推断的准确性，适用于金融、医疗等领域的决策分析。
2026-02-17 cs.LG
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
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
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
Leveraging Structured Biological Knowledge for Counterfactual Inference: a Case Study of Viral Pathogenesis
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Microsoft（微软）；Northeastern University（东北大学）；Enveda Biosciences（恩维达生物科学公司）；Altdeep（阿尔特迪普）
反事实推理是比较复杂系统干预结果的有用工具。它要求我们以结构因果模型的形式来表示系统，并配有因果图、外生变量的概率假设和功能分配。在实践中，验证这样的模型可能非常困难。该过程需要大量的领域专业知识，并且不容易扩展到大型系统、多个系统或新的系统修改。与此同时，许多应用领域，如分子生物学，丰富的结构化因果知识，是定性的性质。本文提出了一种查询因果生物知识图的通用方法，并将定性结果转换为定量结构因果模型，该模型可以从数据中学习来回答问题。我们证明了这种方法的可行性，准确性和通用性，使用两个案例研究系统生物学。第一种方法证明了基本假设的适当性和结果的准确性。第二个演示的多功能性的方法，查询知识库的分子决定因素的严重急性呼吸综合征冠状病毒2（SARS-CoV-2）诱导的细胞因子风暴，并进行反事实推理，以估计的因果关系影响的医疗对策重症患者。
2021-01-13 cs.AI cs.LG q-bio.QM
Towards Counterfactual Explanation and Assertion Inference for CPS Debugging
University of Michigan-Dearborn（密歇根大学迪尔伯恩分校）
本文提出DeCaF框架，通过反事实引导生成最小必要输入变化，推断可解释的断言条件，提升CPS调试的准确性和可解释性。
2026-04-09 cs.LG cs.SE cs.SY
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
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
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
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
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
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
On Predicting Post-Click Conversion Rate via Counterfactual Inference
Naver Corp.（纳维尔公司）；Seoul National University（首尔国立大学）
针对点击样本稀疏导致的CVR预测偏差问题，提出基于因果反事实推理的ESCIM模型，通过为未点击样本生成反事实转化标签扩充训练数据，在公开数据集和真实场景A/B测试中均取得更优效果。
2025-10-06 cs.AI cs.IR cs.LG
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
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
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
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
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
Weighted Sum-Rate Maximization With Causal Inference for Latent Interference Estimation
研究了潜在干扰源位于已知网络之外的加权和速率最大化（WSRM）问题，其功率分配策略是隐藏的，且不可控的。本文在因果推理框架下，将著名的交替优化算法加权最小均方误差（WMMSE）[1]推广到WSRM。具体而言，由于隐藏网络中的功率策略可能发生变化，仅基于观察到的干扰计算迭代方向本质上意味着在决策中忽略了反事实。使用一种称为合成控制（SC）的方法来估计反事实。对于已知网络中的任何链路，SC构造其他链路上的干扰的凸组合，并将其用作反事实的估计。功率迭代在建议的SC-WMMSE进行考虑到观察到的干扰和它的反事实。SC-WMMSE在优化阶段不需要比原始WMMSE更多的信息。据我们所知，这是第一篇论文探讨了潜在的SC在协助数学优化解决经典的无线优化问题。数值结果表明，SC-WMMSE算法在收敛性和客观性方面均优于原算法。
2023-01-24 cs.IT math.IT stat.ML
