Doubly Robust Counterfactual Classification
Harvard Medical School（哈佛医学院）；Carnegie Mellon University（卡内基梅隆大学）；Harvard University（哈佛大学）
我们研究反事实分类作为一种新的工具，在假设（与事实相反）的情况下进行决策。我们提出了一个双重鲁棒的非参数估计一般的反事实分类器，在那里我们可以通过铸造的分类问题作为一个非线性的数学规划，涉及反事实，将灵活的约束。我们继续分析估计的收敛速度，并提供了一个封闭形式的表达其渐近分布。我们的分析表明，所提出的估计是强大的滋扰模型误指定，并可以达到快速的$\sqrt{n}$率与易处理的推理，即使使用非参数机器学习方法。我们通过模拟研究我们的方法的实证性能，并将其应用于累犯风险预测。
2023-01-15 cs.LG stat.ME stat.ML
Estimating Heterogenous Treatment Effects for Survival Data with Doubly Doubly Robust Estimator
本文针对左截断右删失生存数据，提出双重双重稳健估计量，结合非参数深度学习以有效估计平均及异质性处理效应，并通过模拟实验与多种现有方法比较验证其优劣。
2024-09-02 econ.GN q-fin.EC stat.AP
Causal effects based on distributional distances
Carnegie Mellon University（卡内基梅隆大学）；Korea University（高丽大学）；Seoul National University（首尔大学）
该研究提出用分布距离刻画因果效应，设计反事实密度的双稳健估计量与新型分布因果效应的三种估计方法，分析其理论性质并给出推断工具，辅以数值与实例验证。
2024-11-02 cs.LG stat.ME stat.ML
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
Doubly Robust Kernel Statistics for Testing Distributional Treatment Effects
University of Oxford（牛津大学）；Amazon（亚马逊）；University of Adelaide（阿德莱德大学）
针对分布性因果效应检验问题，基于反事实均值嵌入框架提出双重鲁棒核分布嵌入估计量，证明其收敛速率更优，并构建置换检验，从理论和实验验证了检验有效性。
2023-11-07 cs.LG stat.ML
Doubly-Robust Estimation of Counterfactual Policy Mean Embeddings
Gatsby Computational Neuroscience Unit University College London（盖茨计算神经科学单元伦敦大学学院）
针对反事实策略结果分布估计需求，提出CPME框架在RKHS中表示分布，设计双重鲁棒估计器提升收敛速率，开发渐近正态的核检验统计量，支持采样且模拟效果优于现有方法。
2025-10-27 cs.LG stat.ML
Propensity score weighting across counterfactual worlds: longitudinal effects under positivity violations
针对纵向因果推断中的正性违反问题，提出累积跨世界加权效应估计量，无需正性假设即可识别机制差异，并开发双重稳健估计器，应用于工会会员对收入影响的分析。
2025-08-08 stat.ME
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
Counterfactually Comparing Abstaining Classifiers
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
针对黑箱弃权（不执行）分类器评估缺乏原则性方法的问题，提出将弃权视为缺失数据，定义反事实得分并明确其可识别条件，开发非参数双重稳健估计方法，经模拟与真实数据实验验证。
2023-11-09 cs.AI cs.LG stat.ME
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
Counterfactual Generation via Flow Matching: Coupling-Sensitive End-to-End Rates
Johns Hopkins University（约翰霍普金斯大学）；University of California, Davis（加州大学戴维斯分校）；Amazon（亚马逊）
本文提出一种基于流匹配的反事实生成方法，结合双鲁棒目标与学习耦合，并给出耦合敏感的KL界和端到端保证，实验显示随机采样器在有限步数下优于确定性采样器。
2026-10-02 cs.AI cs.LG math.ST
Causal Inference When Counterfactuals Depend on the Proportion of All Subjects Exposed
没有受试者的暴露会影响另一个受试者的结果的假设，被称为无干扰假设，长期以来一直在因果推断的研究中占据基础地位。然而，这一假设在许多情况下可能会被违反，近年来已经大大放松。这通常是通过已知的基础网络的帮助或假设人群可以被划分为不同的组来实现的，在这些组之间没有干扰，并且在这些组中，每个受试者的结果可能通过暴露的比例受到该组中所有其他受试者的影响（分层干扰假设）。在本文中，我们考虑的是一个完整的干扰设置，其中每个主题都影响其他所有主题的结果。特别是，我们对由整个样本组成的单个组进行分层干扰假设。当暴露是一种共享资源时，可能会发生这种情况，其疗效会因共享暴露的受试者数量而改变。我们证明了一个目标极大似然估计的i.i.d.~设定可用于估计一类因果参数，包括某些干预措施下的直接效应和总体效应。该估计器仍然具有双重鲁棒性，半参数效率，并继续允许在我们的模型下纳入机器学习。我们进行了模拟研究，并从数据应用程序中，我们研究的效果，护士为基础的分流系统在肯尼亚卫生诊所接受艾滋病毒治疗的患者的结果，目前的结果。
2018-11-23 stat.ME
The Counterfactual Combine: A Causal Framework for Player Evaluation
Division of Biostatistics, Department of Population Health, NYU Grossman School of Medicine（纽约大学格罗斯曼医学院人口健康系生物统计学部）
本文提出一种因果框架，通过反事实分析评估球员表现，结合机器学习方法处理复杂关系，以提高体育运动员评估的可解释性和准确性。
2026-02-26 stat.AP
Conditional Counterfactual Mean Embeddings: Doubly Robust Estimation and Learning Rates
Chiang Mai University（恰良迈大学）
本文提出条件反事实均值嵌入框架，结合双重稳健估计与学习速率分析，用于异质处理效应的估计与学习。
2026-02-04 cs.LG stat.ML
Doubly robust estimation of causal effects for random object outcomes with continuous treatments
针对非欧几里得随机对象数据，提出基于Hilbert空间嵌入的双重去偏因果推断框架，处理连续变量并适应高维混杂因素，通过共形推断实现反事实预测，扩展了复杂数据因果推断方法。
2025-06-28 econ.EM math.ST stat.AP
Single Proxy Control
本研究提出单代理混杂控制方法，通过非参数COCA识别处理组平均因果效应，无需秩保持假设，并提出三种估计策略，应用于评估寨卡病毒对巴西出生率的影响。
2024-03-22 stat.ME
Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach
Southeast University（东南大学）；Monash University（莫纳什大学）；Beihang University（北京航空航天大学）；University of Seoul（首尔大学）
本文提出一种基于双重稳健学习的因果机器学习框架，利用RCM、CSVI和SCM估计不同类型高速公路碰撞事故对车速的异质性因果效应，通过4815起事故实验验证了方法的准确性和有效性。
2024-01-01 cs.LG stat.ML
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
Non-parametric causal effects based on longitudinal modified treatment policies
大多数因果推断方法在确定性地设定治疗的干预下考虑反事实变量。对于连续或多值的处理或暴露，这种反事实可能没有什么实际意义，因为没有可行的干预措施可以实现它们。此外，违反积极性假设，必要的识别，加剧了连续和多值的治疗和确定性干预。在本文中，我们提出了纵向修改的治疗政策（LMTPs）作为一个非参数的替代方案。LMTP可以设计为保证正性，并产生直接实际相关的效果，其解释为线性回归调整的常规用户所熟悉。我们研究了LMTP参数的识别，研究了统计估计的性质，如有效影响函数，并提出了四种不同的估计。我们的两个估计是有效的，一个是连续的双重强大的意义上说，它是一致的，如果在每个时间点，无论是结果回归或治疗机制是一致的估计。我们进行了模拟研究，以说明估计的属性，并提出了我们的动机研究的结果，低氧血症和死亡率在重症监护病房（ICU）的病人。实现我们方法的软件以开源\texttt{R}包\texttt{lmtp}的形式提供，可在GitHub（\url{https://github.com/nt-williams/lmtp}）上免费获得。
2021-07-06 stat.ME
CANDOR: Counterfactual ANnotated DOubly Robust Off-Policy Evaluation
Stanford University（斯坦福大学）；Emory University（埃默里大学）；Columbia University（哥伦比亚大学）；University of Michigan（密歇根大学）；The Gladstone Institutes（加利福尼亚大学旧金山分校格罗斯曼研究所）
提出基于双重稳健框架的离策略评估方法，通过仅在奖励模型组件中融入反事实注释，在理论保证和实验上优于其他策略。
2026-05-27 cs.LG stat.ML
Kernel Treatment Effects with Adaptively Collected Data
Gatsby Computational Neuroscience Unit, University College London（Gatsby 计算神经科学单元，伦敦大学学院）
针对自适应数据收集下分布推断问题，提出首个基于核的框架，结合双重稳健分数与方差稳定化技术，通过希尔伯特空间鞅CLT确保渐近正态性，有效检测均值偏移与高阶矩差异。
2025-10-11 cs.LG stat.ME stat.ML
Exposure Effects on Count Outcomes with Observational Data, with Application to Incarcerated Women
本文针对计数结局的因果推断问题，提出可处理过度离散等问题的三类因果均值比估计量，经模拟比较后应用于监禁女性的HIV研究数据。
2023-11-06 stat.AP stat.ME
Heterogeneous Treatment Effects under Network Interference: A Nonparametric Approach Based on Node Connectivity
Purdue University（普渡大学）；University of Michigan（密歇根大学）
该研究针对网络干扰下的因果推断问题，提出了基于节点连通性的非参数方法KECENI，用于估计节点级反事实均值，通过小额信贷数据验证了其可揭示网络特征对处理效应的影响。
2026-08-07 stat.ME
Flexible sensitivity analysis for causal inference in observational studies subject to unmeasured confounding
本文提出一个灵活的敏感性分析框架，可同时处理逆概率加权、结果回归和双重稳健估计量，以应对观察性研究中未测量混杂导致的偏差，并开发了R包saci实现该方法。
2024-03-29 stat.ME
Doubly-Robust Estimation for Correcting Position-Bias in Click Feedback for Unbiased Learning to Rank
Radboud University（拉德堡德大学）
排名上的点击受到位置偏见的影响：通常排名较低的项目不太可能被用户检查-从而点击-尽管他们对项目的实际偏好。无偏的基于点击的学习排名（LTR）的流行方法是基于反事实的逆倾向评分（IPS）估计。与一般的强化学习相比，反事实双鲁棒（DR）估计尚未应用于基于点击的LTR在以前的文献。在本文中，我们介绍了一种新的DR估计，这是第一个DR方法专门设计的位置偏差。位置偏差的困难在于，在点击数据中无法直接观察到治疗-用户检查。作为解决方案，我们的估计器使用每个秩的预期处理，而不是现有DR估计器使用的实际处理。我们的新DR估计器比现有的IPS方法具有更强大的无偏性条件，此外，提供了巨大的方差降低：我们的实验结果表明，它需要几个数量级的数据点收敛到最佳性能。对于无偏LTR领域，我们的DR估计有助于提高最先进的性能和最强大的理论保证所有已知的LTR估计。
2022-10-30 cs.IR cs.LG
Counterfactual Online Conformal Prediction Under Adaptive Logging
Shanghai Jiao Tong University（上海交通大学）；Alibaba Group（阿里巴巴集团）
本文提出倾向加权在线共形预测（PW-OCP）及其双稳健变体（DR-OCP），以解决自适应日志下反事实覆盖失效问题，实验证明其提升反事实覆盖并降低遗憾。
2026-11-03 cs.LG
Practical and Robust Safety Guarantees for Advanced Counterfactual Learning to Rank
University of Amsterdam（阿姆斯特丹大学）；Radboud University（拉德堡德大学）
本文针对反事实学习排序的安全性问题，提出推广的安全双重鲁棒方法及近端排序策略优化（PRPO），在不依赖用户行为假设的情况下实现部署中的无条件安全保障。
2024-08-06 cs.IR cs.LG
Efficient nonparametric estimation with difference-in-differences in the presence of network dependence and interference
University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种在存在网络依赖性和干扰情况下，利用差异-in-差异方法进行高效非参数估计的方法，通过条件平行趋势假设和适当网络依赖性条件，提出双稳健估计器，并应用于研究煤炭电厂采用排放控制技术对县心血管疾病死亡率的影响。
2026-05-09 stat.ME
Data Fusion for Partial Identification of Causal Effects
Duke University（杜克大学）；Yale University（耶鲁大学）
针对异构数据融合中无未观测混杂与可交换性假设同时失效导致因果效应无法识别的问题，提出引入可解释敏感性参数的部分识别框架，推导因果效应边界并开发双重稳健估计器，结合崩溃前沿分析验证了Project STAR研究结论的稳健性。
2025-05-30 cs.LG econ.EM stat.ME
Causal Inference in Possibly Nonlinear Factor Models
School of Economics and Management, Tsinghua University（清华大学经济管理学院）
本文提出一种基于局部主子空间逼近（结合K近邻与主成分分析）的因果推断方法，处理带噪声代理的非线性因子混杂结构，并构建双重稳健估计量，实证于政治关联对股票收益的影响。
2026-10-01 econ.EM stat.ME stat.ML
Validating Causal Inference Methods
Duke University（杜克大学）；University of Pennsylvania（宾夕法尼亚大学）
得出因果推断的根本挑战是，任何单位都不能完全观察到反事实结果。此外，在观察性研究中，治疗分配可能受到混淆。许多统计方法已经出现了因果推断在unconfoundedness条件下的治疗前的协变量，包括倾向得分为基础的方法，预后评分为基础的方法，和双稳健的方法。不幸的是，对于应用研究人员来说，没有一种“一刀切”的因果方法可以普遍地发挥最佳作用。在实践中，因果关系的方法主要是定量评估手工模拟数据。这种数据生成程序的价值可能有限，因为它们通常是程式化的现实模型。它们被简化以便于处理，并且缺乏真实世界数据的复杂性。对于应用研究人员来说，了解一种方法对手头数据的表现如何至关重要。我们的工作引入了一个基于深度生成模型的框架Credence来验证因果推断方法。该框架的新颖性源于它能够生成锚定在所观察样本的经验分布上的合成数据，因此实际上与后者无法区分。该方法允许用户指定地面真理的形式和因果关系的影响和混淆偏差的大小作为协变量的函数。因此，模拟数据集被用来评估各种因果估计方法的潜在性能时，适用于类似于观察到的样本的数据。我们证明了Credence的能力，准确地评估因果估计技术的相对性能，在广泛的模拟研究和两个现实世界的数据应用Lalonde和项目STAR研究。
2022-07-29 cs.LG econ.EM stat.ME
Conformal Policy Learning with Distribution-Free Safety Guarantees
University of Pennsylvania（宾夕法尼亚大学）；Massachusetts Institute of Technology（麻省理工学院）
提出保形策略学习（CPL），通过阈值化保形p值控制处理分配对个体造成伤害的概率，在随机实验和观察性研究中提供无分布安全保证，并实证应用于减少阴谋信念的AI干预。
2026-09-16 cs.LG econ.EM math.ST
Large-scale Validation of Counterfactual Learning Methods: A Test-Bed
Criteo；Facebook；University of Amsterdam（阿姆斯特丹大学）；Cornell University（康奈尔大学）；Tsinghua University（清华大学）
执行有效的离策略学习的能力将彻底改变构建更好的交互系统的过程，例如电子商务、计算广告和新闻的搜索引擎和推荐系统。在这些环境中，最近的政策外评估和学习方法似乎很有希望。在本文中，我们提供了真实世界的数据和标准化的测试平台，使用显示广告的数据系统地研究这些算法。特别是，我们考虑的问题，填充横幅广告与用户可能想要购买的多个产品的聚合。本文介绍了我们的测试床，我们运行的健全性检查，以确保其有效性，并显示结果比较国家的最先进的离策略学习方法，如双重鲁棒优化，POEM，并减少到监督学习使用回归基线。我们的研究结果表明，最近的离策略学习方法可以提高国家的最先进的监督学习技术在大规模的现实世界的数据集。
2017-06-25 cs.AI cs.LG stat.ML
Deep Doubly Debiased Longitudinal Effect Estimation with ICE G-Computation
Cornell University（康奈尔大学）；Weill Cornell Medicine（韦尔医学院）
提出D3-Net框架，通过顺序双重稳健伪结果和纵向目标最小损失估计，解决ICE G-计算中的误差传播问题，实现纵向治疗效应的稳健估计。
2026-06-15 cs.LG
Ads Supply Personalization via Doubly Robust Learning
Meta Platforms, Inc.（元平台公司）
本文提出基于双重稳健学习的个性化广告供给框架，通过最优利用数据收集策略信息提高长期处理效应估计精度，并以低复杂度设计实现十亿级规模扩展，已在全球最大社交媒体平台之一全面部署并显著改善业务指标。
2024-09-29 cs.IR cs.LG cs.SI
When Interference Graphs Evolve: Doubly Robust Estimation of Dynamic Peer Effects
Adelaide University（阿德莱德大学）
针对演化交互图中同伴效应估计难题，提出DynaNet-DR估计器，通过受控对比框架实现双重稳健性，半合成基准及MathOverflow观测研究验证了其良好估计精度。
2026-08-28 cs.LG cs.SI
Counterfactual Prediction Under Selective Confounding
Beloit College（伯洛伊特学院）；University of Kansas（堪萨斯大学）
针对未观测到所有混杂因素时的二元处理因果推断挑战，提出Selective Confounding框架，利用双处理样本和两步法学习反事实预测器，并提供了理论误差界限与真实儿童安置数据的实证验证。
2023-10-21 cs.LG
Generalization bounds and algorithms for estimating conditional average treatment effect of dosage
Columbia University（哥伦比亚大学）；Imperial College London（帝国理工学院）；Babylon Health（巴比伦健康）
我们调查的任务估计的条件平均因果效应的治疗剂量对的基础系统中的因果关系的观察数据和假设的组合。这一直是流行病学或经济学等研究领域的一个长期挑战，这些领域需要治疗剂量对来做出决定，但可能无法进行随机试验来精确量化其效果和个体间的异质性。在本文中，我们扩展了（Shalit et al，2017），以在连续剂量参数的背景下给出反事实泛化误差的新界限，该参数依赖于定义反事实和分配偏差调整的不同方法。然后，该结果指导新的学习目标的定义，可以用于训练表示学习算法，对于该算法，我们在多个基准数据集上针对该问题实证地显示了新的最先进的性能结果，包括与双重鲁棒估计方法的比较。
2022-05-29 cs.LG
Enhanced Doubly Robust Learning for Debiasing Post-click Conversion Rate Estimation
School of Artificial Intelligence, Jilin University（吉林大学人工智能学院）；Baidu Inc.（百度公司）；International Center of Future Science, Jilin University（吉林大学未来科学国际中心）；Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University（吉林大学符号计算与知识工程教育部重点实验室）
点击后转化作为一种反映用户偏好的强信号，对构建推荐系统具有重要意义。然而，由于选择偏差，准确估计点击后转化率（CVR）是具有挑战性的，即，所观察到的点击事件通常发生在用户的优选项目上。目前，大多数现有的方法利用反事实学习来消除推荐系统的偏见。其中，双稳健（DR）估计通过将基于误差插补（EIB）的估计和逆倾向得分（IPS）估计以双稳健的方式相结合而获得了有竞争力的性能。然而，不准确的误差插补可能会导致其更高的方差比IPS估计。更糟糕的是，现有方法通常使用简单的模型不可知方法来估计填补误差，这不足以近似动态变化的模型相关目标（即，预测模型的梯度方向）。为了解决这些问题，我们首先推导出DR估计量的偏差和方差。在此基础上，提出了一种更稳健的双稳健估计（MRDR），以进一步降低其方差，同时保持其双重稳健性。此外，我们提出了一种新的双重学习方法的MRDR估计，它可以将误差填补到一般的CVR估计。此外，我们的经验验证，所提出的学习计划，可以进一步消除的高方差问题的插补学习。为了评估其有效性，进行了广泛的实验上的半合成数据集和两个真实世界的数据集。结果表明，所提出的方法比国家的最先进的方法的优越性。该代码可在https://github.com/guosyjlu/MRDR-DL上获得。
2022-01-09 cs.IR cs.LG
Deep-learning Causal Retrieval Optimization for Efficient e-commerce Distribution in Pinterest
Pinterest, Inc.（Pinterest公司）
研究在Pinterest中如何高效分发电子商务内容，通过深度多任务模型学习个性化和情境化触发策略，结合双稳健伪结果训练及随机数据记录等方法，实现早期检索优化，大幅减少购物触发，提升会话数和保存数，节省成本。
2026-07-22 cs.IR cs.LG
