本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

Jun, 2022

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

本文概述了因果分析的基本背景和关键概念，总结了最近的可解释机器学习的因果方法，讨论了评估方法质量和因果可解释性中的开放问题。

Jun, 2020

本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

Dec, 2019

基于 Causal k-Means Clustering 的新解决方案，利用非参数效率理论和双机器学习开发了一种新的偏差校正估计器，在大非参数模型中实现了快速的平方根 - n 收敛速度和渐进正态性，特别适用于具有多个处理水平的现代广泛研究。

May, 2024

在线广告中的营销组合模型（MMM）以预测品牌店的总成交量（GMV）并帮助决策者调整各种广告渠道的预算分配。本文定义了一种新的因果性 MMM 问题，可以自动从数据中发现可解释的因果结构并产生更好的 GMV 预测。CausalMMM 集成 Granger 因果性在变分推断框架中，以度量不同渠道之间的因果关系，并以时间和饱和度营销响应模式的正则化预测 GMV。广泛的实验表明，CausalMMM 在合成数据集上的因果结构学习具有 5.7% 至 7.1% 的改进，并增强了代表性电子商务平台上的 GMV 预测结果。

Jun, 2024

通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。

Mar, 2024

研究发现，当机器学习算法自动或参考作用于关于人的重大决策时，个体决策受到激励可通过策略性地修改自己的可观察属性以获得更有利的预测，导致预测所依赖的训练数据分布与实际使用的数据分布不同。但是，该文提出了一个新方法，通过观察部署模型的顺序可以将策略性响应与工具变量回归联系起来，从而有效地恢复我们想要预测的可观察特征和结果之间的因果关系，从而提高决策的公平性、代理结果和预测风险。

Jul, 2021

本文中提出了一种利用元强化学习算法，通过学习干预变量的方法来进行因果发现并构建明确的因果图的方法，研究表明与现有最先进的方法相比表现出的结果更好，揭示了这种干预策略对于该方法性能的贡献。

Jul, 2022

机器学习与因果推断的新兴融合方法介绍，涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想，并使用现代预测工具来进行这些模型的推断。

Mar, 2024