本文介绍了一种新的通过去相关化敏感特征和标签之间的因果效应来缓解模型偏见的方法 FITNESS，使用多目标优化平衡性能和公平性，并在 8 个基准测试中与 7 种现有的方法进行比较。结果表明，FITNESS 在提高模型公平性的同时，保持了模型的性能，并在 96.72％的情况下优于已有的所有方法。

May, 2023

探索了主动学习与被动学习过程中不同推理程序的应用，针对不平衡数据和 HLT 任务中用成本加权的 SVM 进行了研究，提出了一种基于总体不平衡性估计而非标记的训练数据的方法来解决数据不平衡的问题。

Sep, 2014

本文探讨基于技术成熟度级别的因果分析方法在医疗图像分析中填补算法性能和可靠性方面的空白，并就基于因果性的方法在医疗图像 AI/ML 中的应用进行了综述，发现其具有减轻临床转化中的关键问题的潜力，但目前在临床下游研究中的应用尚有限。

Jun, 2022

机器学习系统可能基于性别、性别、宗教或种族等敏感特征表现出歧视行为，因此提出了各种公平性概念和量化歧视方法，并发展了构建公平预测器的众多方法。本研究首次从因果角度分析了公平性和准确性之间的紧张关系，提出了路径特定过量损失（PSEL）的概念来衡量当强制施加因果公平性约束时预测器的损失增加程度，并证明了总过量损失（TEL）可以分解为更多本地 PSEL 值的总和。同时，强制施加因果约束通常会减少人群之间的差距。因此，我们引入了一个数量，用于总结公平性和效用之间的权衡，称为因果公平 / 效用比，定义为减少歧视与约束因果路径产生的过量损失之间的比值。最后，由于我们的方法需要具有因果约束的公平预测器，我们介绍了一种新的用于因果约束公平学习的神经方法。

May, 2024

这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及匹配和逆概率加权等经典和深度学习的方法。通过介绍这篇论文中遗漏的一些因果推断方面，如碰撞偏差，我们希望为读者在因果推断和发现领域提供丰富的起始点用于进一步阅读和研究。

Aug, 2023

本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

May, 2022

利用机器学习模型评估农业管理实践对农田适宜性的影响，研究发现在比利时的 Flanders 地区，农作物轮作对 NPP 没有显著影响，而景观作物多样性对 NPP 有小幅负面影响，并发现在空间上存在显著的异质性效应。

Apr, 2022

通过将因果推断和统计过程控制方法结合起来，我们以术后恶心呕吐的风险预测算法为案例研究，定义候选监测标准、描述潜在偏差和因果模型，并具体说明和比较候选监测程序，以此作为发展比较各种监测选项的框架的第一步。

Nov, 2023

本研究评估了性别偏见的 NLP 模型的统计和因果去偏方法，发现这些方法在目标度量上有效减少了偏见，但不一定改善了其他偏见度量的结果。同时，我们展示了统计和因果去偏技术的组合能够减少通过两种类型的度量来衡量的偏见。

Mar, 2024

本论文使用因果分析作为分析机器学习中公平性参数和其他重要指标的权衡的原则方法，并在广泛使用的公平性改进技术上进行了全面的实证研究，提供了可操作的建议，以及在选择最佳公平性改进方法方面提供了多种可能性。

May, 2023