本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

Jul, 2019

本文提出了一个新的算法框架来回答反事实问题，其将领域适应和表示学习的思想结合起来，并通过实证比较表明，我们的深度学习算法显著优于以前的现有技术，可以用于处理各种领域的观察研究数据的因果推断问题。

May, 2016

本研究提出一种新的监督学习目标，预测反事实情况而不是预测现有行动策略下的结果，以支持决策制定，使用我们提出的反事实高斯过程（CGP）来预测在未来行动序列下连续时间轨迹的反事实未来进展，并证明其在风险预测和个体化治疗规划等决策支持任务上的优势。

Mar, 2017

本研究提出一种基于变分自编码器的反事实生成方法，以改进机器学习模型在医疗领域中的解释性问题，并生成更加逼真、相关的反事实情景。

Jun, 2023

本文介绍如何利用因果推断来理解与环境交互并预测系统变更的后果，从而使人类和算法能够选择改变，以改善系统的短期和长期性能。作者还通过对 Bing 搜索引擎广告放置系统的实验来说明他们的方法。

Sep, 2012

通过使用结构性因果模型，生成可行的对抗样本对于解释人工智能模型在医疗和金融等关键领域的决策是至关重要的。本论文提出了一种生成适用于实际应用中的可行对抗样本的方法，并且通过实验证明了其效果。

Dec, 2019

本研究提出了反事实推理模型，在学习少量反事实样本的基础上，通过生成对于每个正面事实样本的代表性反事实样本，并使用回顾模块根据对比反事实和正事实样本来检查模型预测，从而模拟对于困难测试样本的人类反事实思维。该方法在情感分析和自然语言推理方面的广泛实验验证了其有效性。

Jun, 2021

深度学习模型不足以同时解决预测类别标签以解决给定分类任务（'What?'），解释任务预测（'Why?'），以及想象可能导致不同预测的替代场景（'What if?'）的三个基本问题。为了填补这一差距，我们引入了 CF-CBMs（CounterFactual Concept Bottleneck Models），一类能够高效地同时解决上述问题而无需进行事后搜索的模型。我们的结果表明，CF-CBMs 能够产生准确的预测（'What?'），对任务预测提供简单的解释（'Why?'），以及可解释的反事实情况（'What if?'）。CF-CBMs 还能对概念干预对任务的影响进行采样或估计最可能的反事实，显示用户如何获得所需的类别标签，并提出基于任务的概念干预。

Feb, 2024

通过生成对抗图像，我们提出了一种方法来揭示影响黑盒模型的决策的关键特征，以提高医学图像分类中深度学习模型的可靠性。

Jun, 2024

文章提出了 CausaLM 框架，基于 fine-tuning 的 deep contextualized embedding models 通过辅助对抗性训练任务，学习给定概念的反事实表示，用于估计其对模型性能的真实因果效应。我们的方法的副产品是一种语言表示模型，可以减轻数据中固有的不良偏差。

May, 2020