Trustworthy AI/ML Regression and Unbiased Causal Inference for Real-World Data
University of Maryland（马里兰大学）；Maryland Psychiatric Research Center（马里兰州精神病学研究中心）；The University of Maryland Institute for Health Computing (UM-IHC)（马里兰大学健康计算研究所）
针对真实世界数据中高维混杂导致的AI/ML回归系统性预测偏差，提出无偏的ML/AI回归因果推断框架，确保平均处理效应的无偏估计。
2026-05-31 stat.AP
Unbiased estimation and asymptotically valid inference in multivariable Mendelian randomization with many weak instrumental variables
本文针对多变量孟德尔随机化中许多弱工具变量导致IVW估计有偏的问题，提出MRBEE方法，证明其能提供无偏估计和渐近有效推断，并应用于近视研究揭示教育与户外活动的因果作用。
2024-02-10 econ.EM math.ST stat.ME
Optimizing Graph Causal Classification Models: Estimating Causal Effects and Addressing Confounders
School of Mathematics, Physics, and Computing, University of Southern Queensland（数学、物理与计算学院，南方昆士兰大学）；School of Data Science, Lingnan University（数据科学学院，岭南大学）；School of Business, University of Southern Queensland（商学院，南方昆士兰大学）；Schulich School of Engineering, University of Calgary（Schulich工程学院，卡尔加里大学）
本文提出CCAGNN，一种结合因果推理的图神经网络框架，旨在通过处理混杂因素和估计因果效应，提升图分类模型的鲁棒性和准确性。
2026-02-20 cs.AI cs.LG
Elements of estimation theory for causal effects in the presence of network interference
在医疗保健、经济学、社会科学和信息科学中，一个单元的治疗会影响其他单元的结果的随机实验变得越来越普遍。从因果推断的角度来看，没有干扰的典型假设在这样的实验中变得站不住脚。然而，在许多问题中，干扰模式可以通过观察分析单元之间的网络连接来获知。在这里，我们开发的因果效应的最优估计理论的元素，利用观察到的网络，通过假设一个人的潜在结果只取决于个人的治疗和邻居的治疗。我们提出了一个排除限制的潜在结果的集合，并显示这些限制的子集如何导致各种参数化。考虑类的线性无偏估计量的平均直接处理效应，我们推导出的设计条件，导致存在的无偏估计量，并提供分析的见解的权重，导致最小综合方差估计。我们说明了这些估计的改进性能相比，更标准的有偏和无偏估计量，使用模拟。
2017-02-12 stat.ME
Optimizing Language Models for Human Preferences is a Causal Inference Problem
Carnegie Mellon University（卡内基梅隆大学）
本文将语言模型的人类偏好优化形式化为因果推断问题，提出因果偏好优化（CPO）及其双重稳健扩展DR-CPO，以无偏且低方差的方式优化大语言模型，并通过实验验证其有效性与稳健性。
2024-06-05 cs.CL cs.LG stat.ME
Causal Inference from Strip-Plot Designs in a Potential Outcomes Framework
当处理具有析因结构且因子水平难以改变时，条形图设计非常有用。我们开发了一个基于随机化的因果推理理论，从这样的设计在一个潜在的结果框架。对于任意处理对比，提出了一个无偏估计量，给出了其抽样方差的表达式，并得到了抽样方差的保守估计量。这个保守估计有一个非负偏置，并成为无偏下块间可加性，一个条件比奈曼严格可加性温和。这种方差估计的极小极大性质也建立。模拟结果的覆盖率产生的置信区间借给支持理论上的考虑。
2018-05-17 math.ST stat.TH
Doubly Robust Estimation of Causal Effect on CVR with Targeted Regularization
Tsinghua University（清华大学）；Tencent Inc.（腾讯公司）
本文针对CVR因果估计的样本选择偏差问题，提出带理论保障的双重鲁棒估计量，结合目标正则化提升稳定性，实验验证其优于简单去偏结合的方法。
2026-08-14 cs.LG
Causal Inference as Distribution Adaptation: Optimizing ATE Risk under Propensity Uncertainty
本文提出联合鲁棒估计器（JRE），通过联合训练结果模型和不确定性量化，优化平均处理效应风险，提升对倾向性误指定的鲁棒性。
2025-12-19 cs.LG stat.ML
A Multi-class Ride-hailing Service Subsidy System Utilizing Deep Causal Networks
DiDi Chuxing（滴滴出行）
针对网约车补贴中混杂因素导致提升效应难以无偏估计的问题，本文提出一种基于深度因果网络的多类别消费者补贴系统，以建模补贴倾向与处理效应关系，并在轻量在线环境中实现有效应用。
2024-08-04 cs.LG stat.ML
Demystifying Causal Features on Adversarial Examples and Causal Inoculation for Robust Network by Adversarial Instrumental Variable Regression
KAIST（韩国科学技术院）
对抗性例证的起源在研究领域中仍然是一个谜，尽管有广泛的研究，但它引起了各种观点的争论。在本文中，我们提出了一种从因果角度深入研究对抗训练网络中意外脆弱性的方法，即对抗工具变量（IV）回归。通过部署它，我们估计的因果关系的对抗性预测在一个无偏的环境下分离未知的混杂因素。我们的方法旨在通过利用休闲特征估计器（即，假设模型）和最坏情况的反事实（即，测试功能）干扰寻找因果特征。通过广泛的分析，我们证明了估计的因果特征与对抗鲁棒性的正确预测高度相关，并且反事实表现出严重偏离正确预测的极端特征。此外，我们提出了如何有效地将因果特征（CAFE）引入防御网络，以提高对抗鲁棒性。
2023-03-02 cs.AI cs.CV cs.LG
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
Local search for efficient causal effect estimation
从观测数据中估计因果关系是一个具有挑战性的问题，特别是在高维数据和存在未观测变量的情况下。现有的数据驱动的方法来解决这个问题，要么提供一个因果效应的边界估计（即非唯一估计）或具有低效率。在协变量空间巨大且考虑未观测变量的情况下，如何快速找到合适的混杂控制调整集是获得唯一无偏因果效应估计的主要障碍。在本文中，我们接近的问题作为一个本地搜索任务，找到有效的调整数据集。我们建立的定理，以支持调整集的局部搜索，我们表明，唯一的和无偏的估计可以从观测数据，即使存在未观测变量。然后，我们提出了一个数据驱动的算法，是快速和一致的温和的假设。我们还利用频繁模式挖掘方法，以进一步加快搜索因果效应估计的最小调整集。在广泛的合成数据集和真实数据集上进行的实验表明，该算法在准确性和时间效率方面都优于最先进的标准/估计器。
2022-07-22 stat.ME
LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data
School of Software Engineering, Beijing Jiaotong University（北京交通大学软件学院）；Department of Computer Science, Hong Kong Baptist University（香港浸会大学计算机科学系）；Department of Electrical and Computer Engineering, University of Alberta（阿尔伯塔大学电气与计算机工程系）
针对时间序列因果DAG发现现有方法可扩展性差的问题，提出基于准极大似然评分的LOCAL方法，结合ACML和DGPL模块提升效率与可解释性，实验证明其性能显著优于现有方法。
2025-03-20 cs.AI cs.LG stat.ML
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
Addressing pitfalls in implicit unobserved confounding synthesis using explicit block hierarchical ancestral sampling
University of Copenhagen（哥本哈根大学）；Technical University of Munich（慕尼黑工业大学）
针对隐式未观测混淆合成中的对角占优和双向边限制问题，提出基于块分层祖先生成的显式建模方法，完全覆盖因果模型空间，实现更稳健的因果发现评估。
2025-04-01 cs.LG math.ST 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
Optimizing Experimental Design for Causal Effect Estimation with Partial Measurements
Fraunhofer Institute for Cognitive Systems IKS（弗劳恩霍夫认知系统研究所）；TUM School of Computation, Information and Technology, Technical University of Munich（慕尼黑工业大学计算、信息与技术学院）
针对工具变量回归中部分样本可降低估计方差的问题，提出在预算约束下优化部分与完整样本分配的方法，显著减少所需预算和完整样本数。
2026-06-26 math.ST stat.ME stat.TH
Unbiased Estimation for Total Treatment Effect Under Interference Using Aggregated Dyadic Data
针对社交网络互动干扰下的因果效应估计问题，本文提出一种基于伯努利随机化设计和聚合二元数据的TTE无偏估计量，并通过数值实验证明其优于常用估计量。
2024-02-20 cs.SI stat.AP
uCTRL: Unbiased Contrastive Representation Learning via Alignment and Uniformity for Collaborative Filtering
Sungkyunkwan University（成均馆大学）
针对协同过滤中的流行度偏差，提出无偏对比表示学习uCTRL，通过优化对齐与均匀性函数及设计新的IPW估计方法，在四个基准上显著优于现有无偏模型。
2023-05-22 cs.AI cs.IR cs.LG
Naïve regression requires weaker assumptions than factor models to adjust for multiple cause confounding
Stanford University（斯坦福大学）；Hoover Institution（胡佛研究所）；Wharton School, University of Pennsylvania（宾夕法尼亚大学沃顿商学院）；Princeton University（普林斯顿大学）
在多种治疗的观察环境中，使用因子模型调整共享的、未观察到的混杂因素$\mathbf{Z}$的经验做法$\mathbf{A}$在遗传学、网络、医学和政治等领域广泛存在。Wang和Blei（2019，WB）将这些程序形式化，并开发了“反倒计时器”，这是一种因果推断方法，使用$\mathbf{A}$的因子模型估计“替代混杂因素”$\hat{\mathbf{Z}}$，然后通过对$\mathbf{A}$部分的结局$\mathbf{Y}$进行回归，同时对$\hat{\mathbf{Z}}$进行调整，来估计处理效应。WB声称，当不存在单因混杂因素时，反因素是无偏倚的，并且$\hat{\mathbf{Z}}$是“精确定位的”。“我们澄清，精确定位需要每个混淆因素影响无限多个治疗。我们证明在这些假设下，一个朴素的半参数回归的$\mathbf{Y}$对$\mathbf{A}$是渐近无偏的。因此，嵌套该回归的去卷积变量也是渐近无偏的，但是使用$\hat{\mathbf{Z}}$和原因子集的变量需要进一步的不可检验的假设。我们用可用的数据重复了每一个去倒峰分析，发现它不能始终如一地优于朴素回归。在实践中，解构者在WB的案例研究中对电影收入做出了令人难以置信的估计：估计表明漫画作家斯坦·李的客串演出贡献了155亿美元，这是漫威电影收入的大部分。我们的结论是，这两种方法都不是在现实世界中的应用仔细的研究设计的…
2020-07-24 cs.LG stat.ME stat.ML
Local Covariate Selection for Average Causal Effect Estimation without Pretreatment and Causal Sufficiency Assumptions
Department of Applied Statistics, Beijing Technology and Business University（北京技术与商业大学应用统计系）；Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences（深圳先进技术研究院）；College of Computer Science and Artificial Intelligence, Fudan University（复旦大学计算机科学与人工智能学院）；Department of Machine Learning, Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学机器学习系）；Carnegie Mellon University（卡内基梅隆大学）
本文提出了一种局部学习方法，用于非参数因果效应估计中的协变量选择，避免了预处理和因果充分性假设，提高了计算效率和估计准确性。
2026-05-20 cs.AI cs.LG stat.ML
Synthetic estimation for the complier average causal effect
本文提出了一种改进的编译平均因果效应（CACE）估计。在不依从性研究中，研究者通常会选择一个假定为无偏估计量的CACE估计量，而其他低方差估计量可能是可用的。我们提出了一个综合估计，结合所有可用的估计信息，利用低方差估计的效率，同时保持低偏差。我们的方法最小化的候选估计的所有凸组合的均方误差的估计。我们推导出合成估计量的渐近分布，并在模拟中证明了其良好的性能，显示了鲁棒性，甚至包括高偏差估计。
2019-09-12 stat.ME
Learning domain-specific causal discovery from time series
University of Pennsylvania（宾夕法尼亚大学）
本研究提出用数据驱动监督学习替代人类设计的通用因果发现算法，在多个数据集上显著提升时间序列因果发现的准确性。
2023-10-10 cs.AI cs.LG stat.ME
A Two-Stage Feature Selection Approach for Robust Evaluation of Treatment Effects in High-Dimensional Observational Data
Northeastern University（东北大学）
针对高维医疗观测数据因果推断的挑战，本研究提出名为OAENet的两阶段特征选择技术，通过选择混杂因子等变量实现无偏因果估计，在模拟和真实医疗数据上均优于现有方法，可提升治疗效果评估与政策决策的准确性。
2024-03-12 cs.AI cs.LG stat.ME
A Stochastic Gradient Method with Biased Estimation for Faster Nonconvex Optimization
University of Southampton（南安普顿大学）
已经提出了许多优化方法来优化非凸目标（例如深度学习模型），例如批量梯度下降、随机梯度下降和随机方差减少的梯度下降。理论表明，这些优化方法可以通过使用无偏梯度估计器来收敛。然而，在实践中，有偏梯度估计可以允许更有效地收敛到附近，因为无偏方法在计算上更昂贵。为了产生快速收敛，这些优化策略有两个权衡，即随机/批量和有偏/无偏之间。本文提出了一种综合的方法，可以控制的性质的随机元素的优化，并可以平衡的权衡估计之间的有偏和无偏通过使用超参数。理论和实验表明，这个超参数可以配置为提供一个有效的平衡，以提高收敛速度。
2019-05-13 cs.LG math.OC stat.ML
A systematic investigation of classical causal inference strategies under mis-specification due to network interference
我们系统地调查了由于错误指定而引起的问题，这些问题是在估计因果效应时出现的，当（治疗）干扰被网络可用的预干预告知时，即，在一个单位的结果可能取决于分配给其他单位的治疗的情况下。我们开发理论的几种形式的干扰通过曝光邻域的概念，并开发相应的半参数表示为潜在的结果作为曝光邻域的函数。使用这种表示，我们扩展了两个流行的类的因果被估量，边际和平均因果效应的定义，网络干扰的情况下。我们的特点的偏差和方差的结合时，经典的随机化策略（即，伯努利，完全随机化，和集群随机化设计）和估计（即，在均值差和Horvitz-Thompson）用于估计平均处理效应和总处理效应，由于干扰的误指定。我们说明了如何在均值差估计可以有任意大的偏差时，估计平均因果效应，这取决于干扰的形式和强度，这是未知的设计阶段。Horvitz-Thompson（HT）估计在给定正确的权值时是无偏的。在这里，我们推导出HT权重的无偏估计不同的被估量，并说明他们如何依赖于设计，干扰的形式，这是未知的设计阶段，和被估量。更重要的是，我们表明，HT估计是不容许的一大类随机化策略，在干扰的存在下。我们开发了新的模型辅助和模型依赖的策略来改进HT估计，我们开发了新的随机化策略来估计平均处理效应和总处理效应。
2018-10-18 stat.ME
The foundations of cost-sensitive causal classification
Faculty of Economics and Business（经济与商业学院）；Katholieke Universiteit Leuven（鲁文大学）；Data Analytics Laboratory（数据分析实验室）；Solvay Business School（索维亚商学院）；Vrije Universiteit Brussel（布鲁塞尔自由大学）；Department of Applied Mathematics and Theoretical Physics（应用数学与理论物理系）；University of Cambridge（剑桥大学）；School of Economics and Business（经济与商业学院）；University of Chile（智利大学）
本研究构建统一评估框架整合成本敏感与因果分类，证明单行动下传统分类是因果分类特例，可实例化业务场景性能指标以实现利润最大化，推动相关学习方法发展与商业决策优化。
2025-05-16 cs.AI cs.LG stat.ML
Causal query in observational data with hidden variables
University of South Australia（南澳大学）；Hefei University of Technology（合肥工业大学）
本文讨论了含隐变量观测数据的因果查询问题，目的是在给定一组影响被操纵变量和结果的可信混杂变量的情况下，寻找“操纵”变量时结果的变化。这样一个“数据实验”来估计操纵变量的因果效应，对于使用历史数据验证实验设计或在研究新关系时探索混杂因素是有用的。然而，现有的数据驱动的因果效应估计方法面临着一些主要的挑战，包括高维度数据的可扩展性差，由于全局因果结构学习算法使用的统计学而导致的估计精度低，以及当隐藏变量在数据中不可避免时因果充分性的假设。在本文中，我们开发了一个定理，使用本地搜索找到一个超集的调整（或混杂）变量的因果效应估计的观测数据下一个现实的预处理假设。该定理保证因果效应的无偏估计包含在由调整变量超集估计的因果效应集中。基于该定理，我们提出了一个数据驱动的因果查询算法。实验表明，该算法比现有的数据驱动的隐变量因果效应估计方法更快，产生更好的因果效应估计。所提出的算法估计的因果关系的影响是准确的，那些由国家的最先进的方法，使用领域知识。
2020-11-24 cs.AI cs.LG stat.ML
Recover Experimental Data with Selection Bias using Counterfactual Logic
Department of Computer Science（计算机科学系）；Florida State University（佛罗里达州立大学）
本文利用结构因果模型构建反事实世界，提出图形与理论准则及方法，从有偏实验数据中恢复无偏因果分布$P(Y^*_{x^*})$，并通过模拟验证其有效性。
2025-06-04 cs.AI stat.ME
Disentangled Latent Representation Learning for Tackling the Confounding M-Bias Problem in Causal Inference
Huazhong Agricultural University（华中农业大学）；University of South Australia（南澳大利亚大学）
针对同一变量同时引发混杂偏倚与M偏倚的难题，本文提出DLRCE框架，从代理变量学习三组解耦潜在表示以同时校正两类偏倚，并在合成及三个真实数据集上验证其优于现有估计器。
2023-12-08 cs.AI cs.LG stat.ME
How balance and sample size impact bias in the estimation of causal treatment effects: A simulation study
观察性研究通常用于了解暴露与结果之间的关系。然而，除非使用统计技术来解释暴露组之间混杂因素的不平衡，否则他们不允许得出因果关系的结论。倾向得分和平衡加权（PSBW）是有用的技术，旨在通过对暴露组进行加权，使观察到的混杂因素看起来相似，从而减少暴露组之间的不平衡。尽管有过多的可用方法来估计PSBW，但对于什么是充分平衡的定义几乎没有指导，除非有几个条件成立，否则无法保证因果处理效应的无偏和稳健估计。准确的推理要求1。治疗分配机制是已知的。基线协变量和结果之间的关系是已知的，3.基线协变量在加权后达到充分平衡，4.已知一组适当的协变量来控制混杂偏倚，以及5.可获得足够大的样本量。在这篇文章中，我们使用不同大小的模拟数据来研究这五个因素对统计推断的影响。我们的研究结果提供的证据表明，最大Kolmogorov-Smirnov统计量是适当的统计措施，以评估平衡的基线协变量，在许多应用中使用的平均标准化的平均差异，和0.1是一个合适的阈值，考虑作为可接受的平衡。最后，我们建议每个治疗组每个混杂因素需要60 - 80个观察结果，以获得因果处理效应的可靠和无偏估计。
2021-07-19 stat.AP stat.ME
Estimation of Causal Effects Under K-Nearest Neighbors Interference
本文针对社交网络实验中的处理干扰问题，提出K-最近邻干扰模型（KNNIM），推导了可识别各邻居间接效应的因果估计量，提出无偏估计器与保守方差估计，并通过模拟研究和中学冲突减少计划实验验证了方法的有效性。
2023-07-27 stat.ME
Causal Inference from Possibly Unbalanced Split-Plot Designs: A Randomization-based Perspective
裂区设计在具有随机化限制的多因素试验中具有广泛的适用性。实际的考虑往往保证使用不平衡的设计。本文研究了可能不平衡的裂区设计中基于随机化的因果推断。从最近研究的平衡情况下的想法延伸产生的治疗对比估计的采样方差的表达式，以及保守的估计的采样方差。然而，即使当处理效应是严格可加的时，该方差估计量的偏差也不会消失。一个仔细的和涉及矩阵分析，以克服这个困难，从而在一个新的方差估计，这是在温和的条件下变得无偏。一个建设过程中，产生这样的估计极小极大偏差的建议。
2019-06-20 stat.ME
Causal Entropy Optimization
University of Edinburgh（爱丁堡大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Warwick（华威大学）
我们研究的问题，全局优化的因果效应的目标变量的一个未知的因果图中，可以进行干预。这个问题出现在许多科学领域，包括生物学、运筹学和医疗保健。我们提出了因果熵优化（CEO），一个框架，概括因果贝叶斯优化（CBO）占所有来源的不确定性，包括从因果图结构所产生的。CEO将因果结构的不确定性纳入到因果效应的代理模型和通过信息理论获取函数选择干预措施的机制中。由此产生的算法自动权衡结构学习和因果效应优化，同时自然地考虑观察噪声。对于各种合成和现实世界的结构因果模型，与CBO相比，CEO实现了更快的收敛到全局最优值，同时还学习了图形。此外，我们的结构学习和因果优化的联合方法改进了顺序的结构学习优先方法。
2022-08-23 cs.LG stat.ML
A Survey of Deep Causal Models and Their Industrial Applications
School of Computer and Information Technology, Beijing Jiaotong University（北京交通大学计算机与信息技术学院）；Data Management Department, China Minsheng Bank（中国民生银行数据管理部）；MYbank, Ant Group（蚂蚁集团网商银行）
本文综述了基于神经网络的深度因果模型，从发展时间线和分类方法角度全面概述，并介绍其在工业中的典型应用及对数据集、源代码和实验的详细分析。
2024-05-22 cs.LG stat.ML
Stein-like Estimators for Causal Mediation Analysis in Randomized Trials
因果中介分析的目的是在明确规定的假设下估计自然的直接和间接影响。传统的中介分析基于普通最小二乘法（OLS）依赖于假定的中介和结果的不可测量的原因的情况下。当这种假设不能被证明时，可以使用工具变量（IV）估计量，以产生中介-结果联系的渐近无偏估计量。然而，如果存在有效的工具，偏差消除是以标准IV程序（如两阶段最小二乘法（TSLS））的方差膨胀为代价的。在文献中已经提出了一种半参数类斯坦（SPSL）估计，它在TSLS过程的无偏性和OLS估计的相对小的方差之间进行了自然的权衡。此外，SPSL的优点是它的收缩参数可以直接从数据估计。在本文中，我们演示了如何在随机对照试验中估计治疗的自然直接和自然间接效应的背景下实现这种Stein样估计。在模拟研究中，隐藏混杂的强度和仪器的强度都是独立变化的，研究了竞争方法的性能。这些考虑是由一项心理健康试验引起的，该试验评估了以初级保健为基础的干预措施对减少老年人抑郁症的影响。
2017-07-06 stat.ME
Estimating causal effects with optimization-based methods: A review and empirical comparison
HEC Montréal（蒙特利尔高等商学院）；Michigan State University（密歇根州立大学）；Harvard University（哈佛大学）；McGill University（麦吉尔大学）
在没有随机对照和自然实验的情况下，有必要平衡给药组和对照组（可观察）协变量的分布，以获得感兴趣的因果效应的无偏估计;否则，可能会估计不同的效应量，并可能给出不正确的建议。为了实现这种平衡，存在各种各样的方法。特别是，最近在因果推断文献中提出了几种基于优化模型的方法。虽然这些优化为基础的方法经验表明，改善了有限数量的其他因果推断方法在其相对能力，以平衡协变量的分布和估计因果关系的影响，他们还没有彻底比较彼此和其他值得注意的因果推断方法。此外，我们认为，存在几个未解决的机会，业务研究人员可以贡献他们的先进知识的优化，为应用研究人员的利益，使用因果推断工具。在这篇综述论文中，我们提出了一个概述的因果推断文献和更详细地描述了基于优化的因果推断方法，提供了一个比较分析的流行的基于优化的方法，并讨论新方法的机会。
2022-02-28 cs.AI cs.LG econ.EM
Estimating causal effects of continuous-time dynamic treatments with unmeasured confounders
Key Laboratory of Advanced Theory and Application in Statistics and Data Science -MOE, School of Statistics, East China Normal University（华东师范大学统计学院统计学与数据科学前沿理论及应用教育部重点实验室）
本文提出一种新的方法，从贝叶斯视角估计连续时间动态治疗的因果效应，以处理未测量混杂因素，通过模拟验证其在不同混杂程度下的有效性，并应用于静脉注射催产素与产后出血的因果关系分析。
2026-04-01 stat.ME
Identification and Estimation under Multiple Versions of Treatment: Mixture-of-Experts Approach
Kyushu University（九州大学）；NTT DATA Mathematical Systems Inc.（NTT DATA数学系统株式会社）
本文提出专家混合方法，用于处理因果推断中的多重治疗版本问题，实现对未观测版本的因果效应估计。
2026-09-22 stat.ME stat.ML
Panel Experiments and Dynamic Causal Effects: A Finite Population Perspective
在小组实验中，我们随机分配单元到不同的干预措施，测量其结果，并在几个时期重复该过程。使用潜在的结果框架，我们定义有限的人口动态因果效应，捕获替代治疗路径的相对有效性。对于一类丰富的动态因果效应，我们提供了一个非参数估计，是无偏的随机化分布，并得出其有限的人口极限分布无论是样本量或持续时间的实验增加。我们开发了两种推理方法：弱零假设的保守检验和尖锐零假设的精确随机化检验。进一步分析了线性固定效应估计的有限总体概率极限。这些常用的估计不恢复因果可解释的估计，如果有动态因果效应和序列相关的任务，突出了我们提出的估计的价值。
2021-05-27 math.ST stat.ME stat.TH
Uncovering Causal Relation Shifts in Event Sequences under Out-of-Domain Interventions
University of Maryland, College Park, MD 20740, USA（马里兰大学 College Park 分校）；Amazon Web Services（亚马逊网络服务）
针对域外干预改变事件序列因果动态的问题，提出超越i.i.d.假设的新因果框架定义ATE，设计无偏估计器与融合域外干预的Transformer模型，在ATE估计和拟合优度上优于基线。
2025-07-14 cs.LG stat.ML
Transportability without Graphs: A Bayesian Approach to Identifying s-Admissible Backdoor Sets
本文提出了一种贝叶斯方法，通过结合观察和实验数据识别s-可接受后门集，以实现跨群体的无偏因果效应估计。
2026-02-02 cs.LG stat.ML
Proximal Causal Inference for Hidden Outcomes
Johns Hopkins Bloomberg School of Public Health（约翰霍普金斯大学布隆伯格公共卫生学院）；Boston University（波士顿大学）；Johns Hopkins Whiting School of Engineering（约翰霍普金斯大学惠廷工程学院）
本文提出基于影响函数的估计器，用于在存在隐藏结果的情况下识别因果效应，无需依赖无偏代理测量或部分观察，具有多重鲁棒性和高效性。
2026-08-27 stat.ME
How and Why to Use Experimental Data to Evaluate Methods for Observational Causal Inference
Leidos（莱多斯公司）
从观测数据中推断因果关系的方法是许多科学领域的核心，包括医学，经济学和社会科学。这些方法的各种理论特性已得到证明，但经验评价仍然是一个挑战，主要是由于缺乏已知处理效应的观察数据集。我们描述并分析了随机对照试验（OSRCT）的观察性抽样，这是一种使用随机对照试验（RCT）数据评估因果推断方法的方法。该方法可用于创建构建的观察数据集，并具有相应的处理效应的无偏估计，从而显著增加了可用于因果推断方法经验评价的数据集数量。我们表明，在预期中，OSRCT创建的数据集是等同于随机抽样的经验数据集，其中所有潜在的结果是可用的。然后，我们对7种因果推断方法进行了大规模评估，这些方法来自随机对照试验、模拟器、真实世界的计算系统以及用合成反应变量增强的观察数据集。当比较来自不同来源的数据时，我们发现了显着的性能差异，这表明了在评估任何因果推断方法时使用来自各种来源的数据的重要性。
2021-07-07 cs.LG stat.ME
Causal Inference in Rebuilding and Extending the Recondite Bridge between Finite Population Sampling and Experimental Design
本文认为，因果推断的治疗对比，从一个随机实验中使用的潜在结果，在有限的人口设置。采用Neymanian重复抽样的方法，将这种因果推断与有限的人口调查抽样，推理框架开发的一般机制，分配实验单元的多个治疗。这个框架扩展了经典的方法，允许随机化限制和不平等的复制的可能性。新的条件是“温和”的处理效应比严格的加性，但允许无偏估计的有限人口抽样方差的任何治疗对比估计，推导出。偏离这样的条件下的后果也研究了极小极大偏差的标准下，和一个新的理由，在实验中使用的Neymanian保守的抽样方差估计。所提出的方法可以很容易地扩展到一般的阶乘结构的治疗的情况下。
2016-06-16 stat.ME
On efficient covariate adjustment selection in causal effect estimation
本文针对观测数据因果效应估计中的协变量调整选择问题，提出基于混合整数优化和因果约束的无图方法CMIO，在存在隐藏变量及缺乏因果充分性条件下实现有效且高效的协变量调整。
2023-05-26 stat.ME
Calibrated and Conformal Propensity Scores for Causal Effect Estimation
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技学院）
本文提出通过简单重校准技术确保倾向得分模型的概率输出被校准，证明校准是无偏处理效应估计的必要条件，能改善误差界限并避免极端权重，在图像协变量和GWAS等任务中显著提升了因果效应估计与计算速度。
2024-06-04 cs.LG stat.ME
Causal inference to detect selection bias in road safety epidemiology
在道路安全领域，通常使用责任分析来评估某一特定因素对事故责任风险的影响，但仅限于涉及事故的驾驶员。即使这种设计现在在该领域被广泛采用，选择偏差的问题也经常被提出。结构因果模型框架现在提供了有价值的工具，以评估观察数据的因果效应和识别选择偏差。在这篇文章中，我们简要回顾了最近的结果，从选择偏置数据的因果效应的可恢复性，并将其应用到责任分析的情况下。我们的目标是正式确定因果关系是否可以通过这种类型的分析，无偏估计，当可用的数据仅限于严重的事故，因为它是在实践中常见的情况。然而，由于速度有直接影响的严重程度的事故，我们表明，因果的赔率比是不可估计的责任分析。我们提出的数值结果来说明我们的论点，偏差的大小，并讨论最近的结果，从实际数据。
2018-10-14 stat.ME
Kernel Balancing: A flexible non-parametric weighting procedure for estimating causal effects
在不存在未观察到的混杂因素的情况下，匹配和加权方法被广泛用于估计因果量，包括对治疗者的平均处理效应（ATT）。不幸的是，这些方法不一定能实现其目标，即使对照组的协变量的多变量分布与治疗组的协变量分布相同，使两组之间的协变量的一些（潜在的多变量）函数具有不同的平均值。当这些“不平衡”的功能影响非治疗的潜在结果时，对观察到的协变量的调节失败，ATT估计可能有偏差。本文介绍的核平衡针对无偏ATT估计的较弱要求，特别是治疗组和对照组的预期非治疗潜在结局相等。假设非治疗潜在结果的条件期望落在与内核选择相关的函数空间中，这意味着一组基函数，其中该回归曲面是线性的。然后在对照单位上选择权重，使得处理组和对照组在这些基函数上具有相等的平均值。因此，在加权后，治疗组和对照组的非治疗潜在结局的预期也必须相等，允许通过随后的平均值差异或使用这些权重的结局模型进行无偏ATT估计。此外，所产生的权重是（1）精确地均衡治疗组和对照组协变量的多变量分布的特定基于核的近似值的权重，以及（2）等同于一种形式的稳定化反向倾向得分加权，尽管它不需要假设任何治疗分配机制模型。提供了一个R包KBAL来实现这种方法。
2016-04-30 math.ST stat.AP stat.ME
Simultaneous causal inference for multiple treatments via sufficiency
来自种群的一些单元接受与其他水库种群不同的相同处理。治疗前$x$ -协变量在人群中的分布的最小充分统计量$s$是粗平衡评分。$s$用于选择匹配单位，以同时进行多种治疗的因果比较。治疗变量（给定$x$）后验分布充要条件确定了统计量对于x协变量的分布是否充分或最小充分。文献中的结果，从而推广。还建立了给定$s(x)$的治疗分配的强可验证性。因此，$s(x)$给出的预期治疗差异对于所有治疗差异的平均因果效应同时无偏。现有的统计理论$s$和它的估计支持它们在因果推理中的使用。
2014-08-04 math.ST stat.TH
Causal Effect Estimation from Observational and Interventional Data Through Matrix Weighted Linear Estimators
ETH Zürich（苏黎世联邦理工学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；University of Cambridge（剑桥大学）
本文研究在混淆线性回归模型中从观测和干预数据混合估计因果效应，提出基于矩阵加权线性估计量的方法，证明其渐近无偏，在混淆大且观测数据占比高时优于基线方法。
2023-06-09 cs.AI stat.ME
Debiasing Graph Neural Networks via Learning Disentangled Causal Substructure
Beijing University of Posts and Telecommunications（北京邮电大学）；Mila - Québec AI Institute（米拉-魁北克人工智能研究所）；HEC Montréal（蒙特利尔高等商学院）
大多数图神经网络（GNN）通过学习输入图和标签之间的相关性来预测未见过图的标签。然而，通过对具有严重偏差的训练图进行图分类研究，我们惊讶地发现，GNN总是倾向于探索虚假相关性来做出决策，即使因果相关性总是存在。这意味着在这种有偏数据集上训练的现有GNN将具有较差的泛化能力。通过分析这个问题的因果观点，我们发现，解开和解相关的因果和偏见的潜在变量从有偏的图都是至关重要的去偏。基于此，我们提出了一个通用的解纠缠GNN框架，分别学习因果子结构和偏差子结构。特别是，我们设计了一个参数化的边缘掩码生成器显式地分裂成因果和偏置子图的输入图。然后，分别由因果/偏差感知损失函数监督的两个GNN模块被训练成将因果和偏差子图编码成它们相应的表示。通过解纠缠的表示，我们合成了反事实的无偏训练样本，以进一步解相关因果和偏差变量。此外，为了更好地对严重偏差问题进行基准测试，我们构建了三个新的图数据集，这些数据集具有可控的偏差程度，并且更容易可视化和解释。实验结果很好地证明了我们的方法比现有的基线具有更好的泛化性能。此外，由于学习的边缘掩模，该模型具有吸引力的可解释性和可移植性。代码和数据可在https://github.com/googlebaba/DisC上获得。
2022-09-28 cs.AI cs.LG
Linear models for causal inference under network interference
Harvard College（哈佛大学）；Harvard Chan School of Public Health（哈佛陈曾熙公共卫生学院）
本文提出利用线性模型估计因果效应，针对网络干扰挑战，通过回归系数识别二元和连续处理的因果效应，并构建无偏一致的估计量。
2026-03-31 stat.ME
Causal Effect Estimation using identifiable Variational AutoEncoder with Latent Confounders and Post-Treatment Variables
College of Informatics, Huazhong Agricultural University（华中农业大学信息学院）；Data 61, Commonwealth Scientific and Industrial Research Organisation (CSIRO)（联邦科学与工业研究组织数据61分部）；STEM, University of South Australia（南澳大学 STEM 学院）
针对观测数据因果效应估计中潜在混杂因子与治疗后变量引发的偏差问题，提出结合VAE与iVAE的CPTiVAE方法，证明相关可识别性，实验表明其性能优于现有最优方法，具备实际应用潜力。
2024-08-13 cs.LG stat.ME
