Jun, 2023
预测后的有效推理
Valid inference after prediction
Keshav Motwani, Daniela Witten
TL;DR该研究提出一种基于先前训练过的机器学习模型进行预测并且进一步推断的方法，并对现有方法的局限性进行了研究，发现提出的方法能够有效控制误差率和提供正确置信区间。
Abstract
Recent work has focused on the very common practice of prediction-based
inference: that is, (i) using a pre-trained machine learning model to predict
an unobserved response variable, and then (ii) conducting inference on the
→
发现论文，激发创造
我们真的需要数据吗？
以人工智能和机器学习为基础，本文研究了预测后推断问题的统计挑战，包括预测结果与真实结果之间的关系、机器学习模型对训练数据的鲁棒性以及将预测的偏差和不确定性传播到最终推断过程中。同时与传统领域的相关研究进行对比，揭示了设计在经典和现代推断问题中的作用。
Jan, 2024
使用不变预测进行因果推断：识别和置信区间
利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。
Jan, 2015
稳健验证：即使分布发生偏移，也能自信地做出预测
本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。
Aug, 2020
基于数据自适应的假设简化和预测后推理
这项研究介绍了一种无假设和数据自适应的后预测推断（POP-Inf）过程，能够基于机器学习预测的结果进行有效和有力的推断，并展示了其优越性和适用性通过模拟和大规模基因组数据。
Nov, 2023
因果推断综述
本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。
Feb, 2020
将预测模型与因果效应估计相结合
本文探讨了如何通过建立因果推断模型来估算特征对结果的因果影响，从而实现个性化决策制定。同时，本文还研究了当该模型满足特定条件时，它可以像最先进的因果效应估计方法一样准确地估计特征的因果效应，呈现出良好的健壮性和可解释性。
Apr, 2023