- 制造业中使用因果机器学习的管理决策 - 重新加工还是不重新加工？
通过使用因果机器学习方法，本文提出了一种基于数据驱动的模型，用于估算制造系统中的最佳返工策略，通过实际生产数据验证，取得了 2-3% 的产量改善。
- 迭代因果分割：填补市场分割和营销策略之间的空白
我们介绍了我们的形式上证明的算法，迭代因果分割，以解决在紧密耦合系统中处理因果治疗变量和混杂协变量的问题。
- 因果回归的泛化界限：见解、保证和敏感性分析
基于泛化界限的理论，我们提出了一种基于改变度量不等式的全新方法，能够紧密地将模型损失与人口中治疗倾向的偏差联系起来，并证明其在有限样本上的有效性，即使在隐性混杂因素和阳性违反的情况下也能成立。我们在半合成和实际数据上验证了我们的界限，展示了 - 电力市场中 CO2 减排策略的因果分析与机器学习驱动的元学习
采用因果机器学习（CausalML）统计方法，研究了电力定价政策对家庭部门二氧化碳（CO2）水平的影响。该研究挑战了关于基于激励的电力定价的传统观念，发现采用此类政策可能无意中增加 CO2 强度。此外，研究还整合了基于机器学习的元算法，以增 - 使用因果机器学习的行星任务自主机械臂操作
自主机器臂操纵器在行星探索和原位资源利用任务中具有提高时间效率和生产效率的潜力，并且操作器可以自行处理对象并执行目标特定动作。我们利用因果机器学习在模拟的行星环境中训练操纵器自主研究一些它没有先前知识的对象，如行星岩石，并且通过不同的因果因 - 发展援助的成本效益分配的因果机器学习
发展援助的因果机器学习框架可用于预测不同援助金额的异质性治疗效果，从而在全球实现可持续发展目标，尤其是对于传染病如 HIV / AIDS 的援助分配有重要作用。
- 有针对性地减少因果模型
为了解决复杂模型中高维空间的因果关系模式识别的问题，我们引入了目标因果约简（Targeted Causal Reduction，TCR）方法来将复杂模型转化为一组简洁的因果因素，并通过玩具和机械系统的实例验证了 TCR 从复杂模型中生成可解 - 政策评估中的因果机器学习透明度挑战 —— 提高可用性与责任认定
通过可解释的人工智能工具和符合可解释人工智能原则的模型简化，本研究探讨了透明度问题在公共政策评估中对因果机器学习的影响，并应用到一个案例研究中，展示了现有工具对于理解黑盒预测模型的不适用性，以及将模型简化以提高可解释性会导致误差的不可接受增 - 机器学习方法在政策制定中异质治疗效果估计的公平性问题
政府在制定和执行政策时，灵活生成异质治疗效应估计的因果机器学习方法可能是非常有用的工具。本文认为，标准的 AI 公平性方法并不适用于所有因果机器学习应用，因为因果机器学习通常使用建模来为最终的决策者提供信息，而 AI 公平性方法则假设模型直 - 异质人群下的早停法
本文研究了如何通过因果机器学习方法，为具有异质种人群的实验寻求提前停止，提出了一种广泛适用的停止实验的方法 CLASH，并证明其在模拟和真实数据上都具有有效的性能。
- 通过对抗遗漏引发的误导行为：利用缺失数据干扰因果结构学习
本文研究在观测数据的基础上推断因果结构，提出了一种新的攻击方法，即敌对遗漏攻击。通过省略一部分真实的训练数据，来偏置学习到的因果结构以达到预期的目的，并在真实和合成数据集上进行了实验验证，证明了敌对遗漏攻击在欺骗流行的因果结构学习算法方面的 - 因果结构学习中的开放问题：以英国 COVID-19 为案例研究
本文通过对 COVID-19 英国疫情数据的应用研究，探讨了因果机器学习算法的挑战，并评估了这些算法以及算法组性能的图形结构、模型尺寸、敏感性分析、混淆变量、预测和干预推断等方面的结果。最终，提出了因果结构学习的挑战和未来研究方向。
- 一种新的两级因果推断框架，用于道路车辆质量问题的诊断
本文介绍了如何利用因果机器学习方法加快处理汽车行业中的车辆质量问题，通过实际数据集展示了提出的框架，并讨论了车辆质量应用领域的挑战。
- ICML基于贝叶斯实验设计的因果决策实际测试与上下文优化的高效性检验
本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架，采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比，我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方 - MM因果机器学习：调查和开放问题
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 - 可解释的深度因果学习用于调节效应
本文介绍一种新的深度反事实学习架构，旨在解决因果机器学习模型中的可解释性和定向正则化问题，并演示了其在估计个体治疗效果方面的应用。
- 医疗保健和精准医学的因果机器学习
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。
- CVPR基于因果机器学习的农业土地适宜性评估
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。
- 因果学习算法的评估方法和度量
这篇综述文章介绍了以因果推断为基础的机器学习，阐述了该领域的研究重点、难点和局限，并提出了应对策略，旨在推动因果学习算法的发展和应用。
- 机器学习估计异质性因果效应：实证蒙特卡罗证据
本研究通过实证蒙特卡洛研究，研究了不同聚合级别下异质因果效应的因果机器学习估计器的有限样本性能，并提供了支持这些估计器的证据。