Causal Gaussian Processes for Robust Treatment Effect Evaluation with Unobserved Confounding
Department of Electrical Engineering and Computer Science, Syracuse University（Syracuse大学电气工程与计算机科学系）；Department of Computer Science, Columbia University（哥伦比亚大学计算机科学系）
针对连续域上存在未观测混杂的因果效应评估问题，提出一种基于外生域离散化的因果高斯过程模型，可任意逼近任意因果模型的观测和干预分布。
2026-06-23 cs.LG
Explaining Heterogeneous Treatment Effects with Causal Forests and the Hoeffding Functional Decomposition
Theremia（瑟雷米亚）；Thales（泰雷兹）；cortAIx-Labs（cortAIx实验室）
该研究针对因果推断中异质性处理效应估计的黑箱问题，提出可解释的CausalTreeHFD方法，基于霍夫丁函数分解将CATE预测分解为协变量及交互作用贡献，经实验验证其能准确识别相关因素并恢复贡献。
2026-10-14 cs.LG stat.ML
Causal Bias Quantification for Continuous Treatments
Amazon（亚马逊）；Massachusetts Institute of Technology（麻省理工学院）
我们将边际因果效应的定义扩展到连续治疗环境中，并在结构因果模型的框架内开发了一种新的因果偏差表征。我们证明，我们推导的偏差表达式为零，当且仅当，因果效应是通过协变量调整识别。我们表明，在结构方程的一些限制下，因果偏差可以有效地估计，并允许因果正则化的预测概率模型。我们证明了我们的方法的有效性，因果偏差量化在各种设置（不）控制某些协变量将引入因果偏差。
2022-01-30 cs.AI cs.LG stat.ME
Estimating Aleatoric Uncertainty in the Causal Treatment Effect
Secondmind；Dartmouth Engineering（达特茅斯工程）
本文提出通过非参数核估计器估计因果治疗效应中的 aleatoric 不确定性，证明其在存在未观测混杂因素时的可识别性，并在实验中验证了方法的有效性。
2026-02-09 cs.LG
Deep Causal Inference for Point-referenced Spatial Data with Continuous Treatments
Duke University（杜克大学）
针对空间数据因果推理在高维输入下的挑战，提出集成近似高斯过程与广义倾向得分方法的神经网络框架，处理空间干扰、未观测混杂及部分观测结果，在多类数据上显著优于线性模型，提升因果效应预测合理性以辅助决策。
2024-12-05 cs.LG
Multi-Treatment-DML: Causal Estimation for Multi-Dimensional Continuous Treatments with Monotonicity Constraints in Personal Loan Risk Optimization
本文提出 Multi-Treatment-DML 框架，利用双重机器学习对观测数据去偏，处理多维连续处理并强制单调约束，在公共基准和真实贷款平台 A/B 测试中验证了其在个人贷款风险优化中的有效性和优越性。
2025-08-11 cs.LG
Causality-Induced Positional Encoding for Transformer-Based Representation Learning of Non-Sequential Features
Department of Computer Science, Emory University（埃默里大学计算机科学系）；School of Statistics and Mathematics, Zhongnan University of Economics and Law（中南财经政法大学统计与数学学院）；School of Medicine, Department of Human Genetics, Emory University（埃默里大学医学院人类遗传学系）
针对现有位置编码需预定义特征顺序、不适用于非序列因果特征的问题，提出CAPE方法，通过结构方程建模因果DAG并嵌入双曲空间生成因果感知旋转位置编码，增强Transformer自注意力，经理论与实验验证有效。
2025-09-23 cs.LG q-bio.QM
SNAP: Sequential Non-Ancestor Pruning for Targeted Causal Effect Estimation With an Unknown Graph
University of Amsterdam（阿姆斯特丹大学）；Radboud University Nijmegen（奈梅亨拉德堡德大学）
针对多变量因果发现计算需求高的问题，提出SNAP框架序贯剪枝目标的确定非祖先，可作为预处理或独立算法，大幅减少计算量与检验次数，且不影响因果效应估计质量。
2025-02-11 cs.AI cs.LG stat.ML
Estimating Individual Treatment Effects through Causal Populations Identification
Paris-Dauphine University - PSL（巴黎多芬大学-PSL大学）；CNRS（法国国家科学研究中心）；Ai Square Connect；AdWay Groupe（AdWay集团）
从观察数据中估计个体治疗效果，定义为有和没有治疗或干预的结果之间的差异，同时只观察两者之一，是因果学习中的一个具有挑战性的问题。在本文中，我们制定了这个问题作为一个隐含变量的推断，并强制执行因果约束的基础上，四个排他性的因果种群模型。我们提出了一个新版本的EM算法，被称为期望因果关系最大化（ECM）算法，并提供提示，其收敛性在温和的条件下。我们比较我们的算法合成和真实世界的数据基线方法，并讨论其性能。
2020-05-06 cs.LG stat.ML
Multiple Causal Inference with Latent Confounding
New York University（纽约大学）；Columbia University（哥伦比亚大学）
从观察数据中进行因果推断需要假设。这些假设的范围从测量混杂因素到识别工具。传统上，因果推断假设集中于估计单一治疗的效果。在这项工作中，我们构建技术，估计与多个治疗存在未观察到的混杂。我们开发了两个假设的基础上共享的混杂因素之间的治疗和治疗的独立性的混杂因素。总之，这些假设导致一个混杂估计正则化的互信息。对于这个估计，我们开发了一个易于处理的下界。为了恢复处理效应，我们在处理中使用独立于混杂因素的剩余信息。我们验证模拟和一个例子，从临床医学。
2019-03-01 cs.LG stat.ML
Causal Effect Inference for Structured Treatments
University College London（伦敦大学学院）；University of Oxford（牛津大学）
我们解决了结构化治疗的条件平均治疗效果（CATE）的估计（例如，图表、图像、文本）。给出了一个弱条件的效果，我们提出了广义罗宾逊分解，其中（i）隔离的因果估计（减少正则化偏差），（ii）允许一个插件任意模型的学习，（iii）在温和的假设下具有准预言收敛保证。在小世界和分子图的实验中，我们证明了我们的方法在CATE估计中优于以前的工作。
2021-10-27 cs.LG stat.ML
sHAIL-Causal: A Sequential Staircase Procedure for Invariant Causal Predictor Discovery
Rochester Institute of Technology（罗切斯特理工学院）
本文提出sHAIL-Causal，一种以不变性为门控的序贯阶梯程序，用于在Richness条件下发现真实因果预测器，解决了贪心搜索的失败并支持序贯环境下的有效置信保证。
2026-10-07 cs.LG stat.ML
COT-GAN: Generating Sequential Data via Causal Optimal Transport
London School of Economics（伦敦政治经济学院）；University College London（伦敦大学学院）；Google（谷歌）；ETH Zurich（苏黎世联邦理工学院）
我们介绍COT-GAN，对抗算法训练隐式生成模型优化生产序列数据。该算法的损失函数是使用因果最优运输（COT）的思想，它结合了经典的最优运输方法与额外的时间因果关系约束。值得注意的是，我们发现，这种因果关系条件提供了一个自然的框架，参数化的成本函数，是学习的鲁棒（最坏情况下）的距离，和学习时间相关的数据分布的理想机制。继Genevay等人之后，（2018），我们还包括一个熵惩罚项，允许在计算最优运输成本时使用Sinkhorn算法。我们的实验表明，COT-GAN的有效性和稳定性时，生成低维和高维时间序列数据。该算法的成功还依赖于一个新的，改进版本的Sinkhorn分歧，这表明在学习中的偏见较少。
2020-10-21 cs.LG stat.ML
End-to-End Balancing for Causal Continuous Treatment-Effect Estimation
Amazon.com, Inc.（亚马逊公司）；Wharton School of the University of Pennsylvania（宾夕法尼亚大学沃顿商学院）
本文在逆倾向分数加权的框架下研究了连续处理的观察因果推理问题。为了获得稳定的权重，我们设计了一种基于熵平衡的新算法，该算法使用端到端优化来学习权重以直接最大化因果推理准确性。在优化过程中，这些权重会自动调整到所使用的特定数据集和因果推理算法。我们提供了一个理论分析，证明我们的方法的一致性。使用合成和真实世界的数据，我们表明，我们的算法估计因果关系比基线熵平衡更准确。
2022-07-10 cs.LG stat.ME stat.ML
Contrastive representations of high-dimensional, structured treatments
Spotify；Imperial College London（帝国理工学院）；University College London（伦敦大学学院）
针对高维结构化处理（如文本、视频）的因果效应估计挑战，本文提出一种新颖的对比表示方法，可识别潜在因果因素并丢弃非因果相关因素，实现无偏估计并在合成与真实数据集上验证效果。
2024-11-28 cs.AI cs.LG stat.ML
Causal Representation Learning with Optimal Compression under Complex Treatments
Shanghai University of Finance and Economics（上海财经大学）
本文提出一种新的多治疗一般化界限和理论估计器，解决了多治疗场景中个体治疗效应估计的超参数选择和维度灾难问题，通过治疗聚合策略实现了高精度和O(1)可扩展性。
2026-05-02 cs.LG stat.ME
Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes
Aalto University（阿尔托大学）；Helsinki University Hospital（赫尔辛基大学医院）；University of Helsinki（赫尔辛基大学）
本研究提出结合高斯过程与点过程的连续时间联合建模方法，从观测序列估计治疗政策并预测干预及反事实结果，在血糖数据上优于现有方法。
2023-06-20 cs.LG stat.ME
Sequential Causal Imitation Learning with Unobserved Confounders
Purdue University（普渡大学）；Columbia University（哥伦比亚大学）
“猴子看猴子做”是一句古老的格言，指的是对系统底层机制没有深刻理解的天真模仿。事实上，如果演示者可以获得模仿者（猴子）无法获得的信息，例如一组不同的传感器，那么无论模仿者如何完美地模拟其感知的环境（见），试图复制演示者的行为（做）可能会导致糟糕的结果。在因果模仿学习的标题下，在演示者和模仿者之间存在失配的情况下的模仿学习已经在文献中进行了研究（Zhang et al.，2020年），但现有的解决方案仅限于单阶段决策。本文研究了序列情境下的因果模仿学习问题，其中模仿者在每一集必须做出多个决定。我们开发了一个图形化的标准，这是必要的和足够的因果模仿的可行性，提供条件时，模仿者可以匹配演示者的性能，尽管不同的能力。最后，我们提供了一个有效的算法来确定模仿和证实我们的理论与模拟。
2022-08-12 cs.AI cs.LG
A Look into Causal Effects under Entangled Treatment in Graphs: Investigating the Impact of Contact on MRSA Infection
University of Virginia（弗吉尼亚大学）；J.P. Morgan AI Research（摩根大通人工智能研究院）
针对图中成对纠缠处理、隐藏混杂与时变数据下的因果效应估计难题，提出利用图结构建模处理分配并缓解混杂偏差的 NEAT 方法及其动态扩展。
2023-07-17 cs.LG stat.ML
Goal-Oriented Sequential Bayesian Experimental Design for Causal Learning
Department of Computer Science and Engineering（计算机科学与工程系）；Department of Mechanical Engineering（机械工程系）；Gilbert S. Omenn Department of Computational Medicine and Bioinformatics（Gilbert S. Omenn 计算医学与生物信息学部门）
提出GO-CBED框架，通过基于transformer和归一化流的变分下界估计器最大化预期信息增益，实现面向目标、非短视的序贯因果实验设计，在有限预算和复杂机制下优于基线。
2026-11-05 cs.AI cs.LG stat.ME
FOCUS: Fixed-Confidence Online Causal Learning Using Sequential Adaptive Interventions
Tsinghua University（清华大学）
针对无历史数据的在线因果发现，提出FOCUS算法，通过序贯自适应干预和可计算集中不等式，在固定置信度下高效恢复因果DAG及边权重，并匹配理论下界。
2026-09-29 cs.LG stat.ML
Causal Inference for Sequential Settings under Interference and Latent Confounding
MIT（麻省理工学院）
研究顺序观测设置下结果干扰的因果推断，基于最大伪似然估计提供计算高效方法学习模型参数，在温和假设下建立参数估计非渐近一致性，通过实验和案例研究证明方法有效性。
2026-11-05 cs.LG math.PR
Deep Learning for Causal Inference: A Comparison of Architectures for Heterogeneous Treatment Effect Estimation
本文提出 Bayesian Causal Forest 算法的全连接神经网络实现，用于异质性处理效应估计，并在模拟数据和压力影响睡眠的数据集中验证其性能提升。
2024-05-06 cs.LG stat.ML
Characterization and Learning of Causal Graphs with Latent Confounders and Post-treatment Selection from Interventional Data
Mohamed bin Zayed University of Artificial Intelligence（莫莫德·本·扎耶德人工智能大学）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种新的因果公式，通过建模后处理选择和干预反应，识别因果关系、潜在混杂因素和选择模式，提升因果发现的准确性。
2026-02-25 cs.LG 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
Prophit: Causal inverse classification for multiple continuously valued treatment policies
University of Iowa（爱荷华大学）
反向分类使用一个诱导分类器作为一个可查询的预言机，引导测试实例朝向一个首选的后验类标签。该过程产生的结果是一组特定于实例的特征扰动或建议，它们最佳地提高了类标签的概率。在这项工作中，我们采用因果方法来逆向分类，引出治疗策略（即，特征扰动）的因果属性引起的模型。在这样做，我们解决了一个长期存在的问题，引出多个，连续值的治疗政策，使用更新的框架和相应的一组假设，我们称之为逆分类潜在结果框架（ICPOF），以及一个新的措施，被称为个人未来估计的影响（$i$ FEE）。我们还开发了近似倾向分数（APS），基于高斯过程，加权治疗，很像过去的作品中使用的逆倾向分数加权。我们证明了我们的方法对学生表现的可行性。
2018-02-14 cs.LG 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
TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis
Ayoub Abraich（独立研究者）
本文提出TV-SurvCaus框架，将表示平衡技术扩展到时变治疗下的生存分析，通过序列建模和理论保证实现动态纵向场景中个体化治疗效果的更精确估计。
2025-05-03 cs.LG stat.ML
Reliable Estimation of Individual Treatment Effect with Causal Information Bottleneck
KAIST（韩国科学技术院）；AItrics
从观察数据中估计个体水平治疗效应（ITE）是因果机器学习中一个具有挑战性和重要性的领域，并且通常在各种关键任务应用中被考虑。在本文中，我们提出了一个信息理论的方法，以找到更可靠的表示估计ITE。我们利用信息瓶颈（IB）原则，该原则解决了简洁性和表示的预测能力之间的权衡。随着因果信息瓶颈的扩展图形模型的引入，我们鼓励学习表示和治疗类型之间的独立性。我们还从理解半监督学习框架中的ITE的角度引入了一种额外形式的正则化器，以确保更可靠的表示。实验结果表明，我们的模型达到了最先进的结果，并表现出更可靠的预测性能与现实世界的数据集上的不确定性信息。
2019-06-07 cs.LG stat.ML
Causal Rule Forest: Toward Interpretable and Precise Treatment Effect Estimation
National Sun Yat-sen University（台湾中山大学）
针对现有异质处理效应估计方法可解释性差的问题，提出因果规则森林（CRF），通过学习隐藏模式转化为可解释的多层布尔规则，提升其他可解释因果推断模型的预测精度与亚组识别能力。
2024-08-27 cs.AI cs.LG
Causal Longitudinal Prior-Fitted Networks for Counterfactual Outcome Prediction
Yale University（耶鲁大学）；University of California, Berkeley（加州大学伯克利分校）
提出CausalLongPFN，一种基于先验拟合的上下文预测器，通过合成因果模型预训练实现无需梯度更新的纵向反事实结果预测，在多个基准上达到与领域训练模型竞争的性能。
2026-06-07 cs.LG stat.ML
Benchmarking Bayesian Causal Discovery Methods for Downstream Treatment Effect Estimation
Technical University of Munich（慕尼黑工业大学）；Mila - Quebec AI Institute（米拉 - 魁北克人工智能研究所）；ServiceNow Research（ServiceNow研究院）；Université de Montréal（蒙特利尔大学）；Helmholtz AI（亥姆霍兹人工智能研究所）
针对因果发现方法评估中忽视下游推断的问题，该研究在处理效应估计任务上评估了七种方法（含基于GFlowNets的新方法），通过分布层面评估揭示了不同算法在捕捉ATE模式上的表现差异。
2023-07-30 cs.LG stat.ME
Stochastic Causal Programming for Bounding Treatment Effects
Helmholtz AI（亥姆霍兹人工智能研究所）；Helmholtz Munich（亥姆霍兹慕尼黑中心）；Technical University Munich（慕尼黑工业大学）；University College London（伦敦大学学院）；King’s College London（伦敦国王学院）
针对未测量混杂导致无法识别的多变量连续处理效应界定问题，提出随机因果编程框架，将因果效应作为约束优化目标函数并结合灵活学习算法与Monte Carlo方法求解，在处理前后辅助变量聚类场景下避免了完全指定隐藏共同原因分布族，计算更稳定。
2023-05-17 cs.LG stat.ML
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 Inference under Networked Interference and Intervention Policy Enhancement
Ludwig Maximilian University of Munich（慕尼黑大学）；Siemens CT（西门子中央研究院）
根据随机实验数据估计个体处理效应是因果推断中的一项关键任务。在因果推断中，通常采用稳定单位处理值假设。然而，当一个单元的分配治疗影响相邻单元的潜在结果时，干扰可能会引入偏倚。这种干扰现象在经济学中被称为溢出效应，在社会科学中被称为同行效应。通常，在随机化实验或具有相互连接单元的观察性研究中，只能观察干扰下的治疗反应。因此，如何在干扰存在的情况下估计叠加的因果效应并恢复个体的处理效应成为因果推断中的一个挑战性任务。在这项工作中，我们使用GNNs研究了一般网络干扰下的因果效应估计，GNNs是捕获图中依赖关系的强大工具。在导出因果效应估计量后，我们进一步研究了在容量约束下的图上的干预政策改进。在网络干扰和处理容量约束下，给出了策略遗憾界.此外，基于GNN因果估计的启发式图结构相关的误差界。
2021-05-04 cs.LG stat.ME stat.ML
CausalNLP: A Practical Toolkit for Causal Inference with Text
Institute for Defense Analyses (IDA)（美国国防分析研究所）
因果推断是估计治疗对结果的效果或影响的过程，其他协变量作为可能需要控制的潜在混杂因素（和介质）。用于因果推断的绝大多数现有方法和系统假设所考虑的所有变量都是分类的或数值的（例如，性别、价格、注册）。在本文中，我们介绍了Causal NLP，这是一个用于通过观察数据推断因果关系的工具包，除了传统的数值和分类变量外，还包括文本。Causal NLP使用Meta学习器进行治疗效果估计，并支持使用原始文本及其语言属性作为治疗，结果或“受控”变量（例如，混杂物）。该库是开源的，可在https://github.com/amaiya/causalnlp上获得。
2022-05-03 cs.CL cs.LG
Sequential Treatment Effect Estimation with Unmeasured Confounders
Ant Group（蚂蚁集团）
针对未测量混杂因素干扰序贯处理效应估计的问题，论文提出 DSIV-CFR 框架，利用负对照暴露与结果恢复潜在工具变量并通过广义矩条件估计累积因果效应，在4个数据集的单步与多步预测中表现优异。
2025-05-14 cs.LG stat.ME
Learning Continuous Treatment Policy and Bipartite Embeddings for Matching with Heterogeneous Causal Effects
Uber Michelangelo（优步米开朗基罗）；Uber AI（优步人工智能）
因果推理方法广泛应用于医学、政策和经济学领域。这些应用的核心是估计治疗效果以做出决定。目前的方法基于单个结果维度的治疗效果做出二元是或否决定。这些方法无法捕捉连续的空间处理政策与强度的措施。他们还缺乏考虑治疗复杂性的能力，例如将候选治疗与受试者相匹配。我们建议制定治疗的有效性作为一个参数化的模型，扩大到众多的治疗强度和复杂性，通过连续的政策治疗功能，和匹配的可能性。我们的建议，将治疗效果函数分解成有效性因素，提出了一个框架，使用因果推理来模拟丰富的行动空间。我们利用深度学习来优化所需的整体度量空间，而不是预测单维处理反事实。这种方法采用了一个人口范围的有效性措施，并显着提高了模型的整体有效性。我们的算法的性能是。用实验证明。当使用通用连续空间处理和匹配架构时，我们观察到在成本效益方面比现有技术提高了41%，在平均处理效果方面比类似方法提高了68%。该算法捕捉治疗空间中的细微变化，构建有效的优化技术，并为许多应用开辟了舞台。
2020-04-21 cs.AI cs.LG stat.ML
Neural Networks with Causal Graph Constraints: A New Approach for Treatment Effects Estimation
Universitat de Barcelona（巴塞罗那大学）；Zenital（泽尼塔尔公司）
提出NN-CGC模型，通过因果图约束减少虚假交互偏差，提升治疗效应估计精度，在基准上达到新最优。方法对不完美因果图鲁棒，部分因果信息优于忽略。
2024-04-18 cs.LG stat.ME
Causal Masking on Spatial Data: An Information-Theoretic Case for Learning Spatial Datasets with Unimodal Language Models
Department of Electrical and Computer Engineering（电气与计算机工程系）；Johns Hopkins University（约翰霍普金斯大学）；Whiting School of Engineering（工程学院）
本文以国际象棋为研究对象，探讨因果掩码在空间数据上的可行性，发现基于空间棋盘状态训练的因果掩码语言模型棋力优于序列数据模型，证明因果掩码是训练空间单模态LLM的可行甚至更优方法。
2025-10-30 cs.AI cs.LG stat.ML
Advancing Causal Inference: A Nonparametric Approach to ATE and CATE Estimation with Continuous Treatments
Institute of Mathematics and Computer Sciences at University of São Paulo（圣保罗大学数学与计算机科学研究所）
提出广义 ps-BART 非参数模型估计连续处理下的 ATE 与 CATE，在多组 DGP 中优于 BCF，尤其适用于非线性关系。
2024-09-10 cs.LG stat.AP stat.ML
To do or not to do: cost-sensitive causal decision-making
Solvay Business School（索尔维商学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；Faculty of Economics and Business（经济与商业学院）；Katholieke Universiteit Leuven（鲁汶大学）
因果分类模型在各种操作业务流程中采用，以根据流程实例特征预测处理对感兴趣的分类业务结果的影响。这允许优化操作决策，并选择最佳治疗方法应用于每个特定情况，目的是最大限度地提高积极结果率。虽然在文献中已经提出了各种强大的方法来学习因果分类模型，但考虑到各种治疗的成本和潜在结果的益处，还没有正式的框架来阐述基于估计的个体治疗效果的最佳决策。因此，在这篇文章中，我们扩展了预期值框架，并正式引入了一个成本敏感的决策边界的双二元因果分类，这是一个线性函数的估计个人治疗效果，积极的结果概率和成本和效益参数的问题设置。该边界允许对阳性和阴性治疗类别中的实例进行因果分类，以最大化预期的因果利润，这是作为成本敏感因果分类中的目标引入的。我们引入了预期因果利润排名器，它在每个可能的阈值上对因果分类实例进行排名，以最大化预期因果利润，并且不同于传统的基于个体治疗效果的排名方法。建议的排名方法进行实验评估合成和营销活动的数据集。结果表明，所提出的排名方法有效地优于成本不敏感的排名方法，并允许提高盈利能力。
2021-01-05 cs.AI cs.LG stat.ML
Sequential Deconfounding for Causal Inference with Unobserved Confounders
ETH Zurich（苏黎世联邦理工学院）
当随机实验不可行或成本高昂时，使用观察数据来估计治疗效果是决策的有力工具。然而，观察性数据经常产生处理效应的偏倚估计，因为治疗分配可能受到未观察到的变量的混淆。一种补救措施是通过调整这些未观察到的混杂因素的去干扰方法。在本文中，我们开发了序贯去混淆，一种方法，使估计个体化的处理效应随着时间的推移，存在未观察到的混杂因素。这是第一种可以在一般顺序设置中使用的去干扰方法（即，在每个时间步分配一个或多个处理）。序贯去混淆器使用一种新的高斯过程潜变量模型来推断未观察到的混淆因素的替代品，然后将其与结果模型结合使用，以估计随时间推移的处理效应。我们证明，使用我们的方法产生无偏估计的个体化治疗反应随时间的推移。使用模拟和真实的医疗数据，我们证明了我们的方法的效力，随着时间的推移，在去干扰治疗反应的估计。
2022-02-28 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
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
Sequentially learning the topological ordering of causal directed acyclic graphs with likelihood ratio scores
University of California, Los Angeles（加州大学洛杉矶分校）
因果发现，在数据挖掘场景中学习因果关系，作为识别“什么导致什么”的起点，一直具有强烈的科学和理论兴趣。取决于假设和适当的学习算法，有时可以识别和准确估计因果有向无环图（DAG），而不是给出因果方向模糊性的马尔可夫等价类图。本文的重点是在突出的可识别性和估计的DAG一般误差分布通过一般顺序排序程序，顺序变量一次一个，从根节点开始，其次是根节点的孩子，等等，直到完成。我们展示了一个新的应用程序，这种一般的方法来估计拓扑有序的DAG。在该过程的每个步骤中，仅对回归残差计算简单的似然比分数，以决定要附加到当前偏序的下一个节点。我们的算法在p-节点问题上的计算复杂度是O（pd），其中d是最大邻域大小。在温和的假设下，我们的程序的人口版本可证明确定一个真正的排序的基础DAG。我们提供了大量的数值证据来证明，这个顺序的过程规模可能数以千计的节点，并适用于高维数据。我们伴随着这些数值实验与应用程序的单细胞基因表达数据集。
2022-05-19 cs.LG stat.ME stat.ML
Causal machine learning for predicting treatment outcomes
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Cambridge（剑桥大学）；TU Munich（慕尼黑工业大学）；Helmholtz Munich（慕尼黑亥姆霍兹中心）；Harvard Medical School（哈佛医学院）；Cambridge Centre for AI in Medicine（剑桥人工智能医学中心）；The Alan Turing Institute（阿兰·图灵研究所）
本文探讨了因果机器学习在预测治疗结果中的优势与步骤，强调其个体化治疗效果估计能力，并为可靠临床应用提供建议。
2024-10-11 cs.LG stat.AP stat.ML
Identifiable causal inference with noisy treatment and no side information
Aalto University（阿尔托大学）
针对处理变量有测量误差且无辅助信息的因果推断场景，提出基于深度潜变量模型的可辨识方法，无需已知测量误差方差即可得到可靠估计，拓展了因果推断的适用范围。
2024-09-12 cs.LG stat.ME stat.ML
Learning Optimal Dynamic Treatment Regimes Using Causal Tree Methods in Medicine
ETH Zurich（苏黎世联邦理工学院）；LMU Munich（慕尼黑大学）
本文提出基于因果树和因果森林的两种新方法（DTR-CT和DTR-CF），用于学习最优动态治疗策略，处理复杂患者数据，在合成和重症监护数据上优于基线，提升个性化医疗建议。
2023-06-19 cs.LG stat.AP stat.ME
