- 双机器学习估计因果效应 -- 方法评估
通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从 - 借势中介器的悲观因果强化学习与混淆线下数据
通过采用基于前门准则的中介变量来消除混淆偏差，以及采用悲观原则来解决由候选策略引起的行为分布和生成观测数据的行为策略之间的分布偏移，我们提出了一种新颖的策略学习算法 PESsimistic CAusal Learning (PESCAL)， - 基于离散、混合和连续变量中 NML 代码的侦测未观察到的共同原因
在观测数据中存在未观测共同原因的因果关系发现是一个关键且具有挑战性的问题，本论文通过扩展 CLOUD 方法来处理不同类型的数据，通过理论分析和广泛实验证明 CLOUD 在模型选择和推断因果关系方面优于现有方法。
- 在功能依赖下识别因果效应
我们研究因果效应的识别，主要包括通过知道因果图中某些变量是由其父变量决定的来实现可识别性，以及通过排除某些功能性变量观察来降低所需的观测数据量。
- 使用上下文强化学习优化华法林剂量：一种离线策略学习和评估方法
利用历史政策的观察性数据和离线策略学习，通过上下文匪徒设置中的个性化剂量策略，成功解决了华法林（一种抗凝药物）剂量确定的挑战，展示了良好的应用潜力。
- 通过开关变量在隐含因果模型中实现解放
在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之 - 非目标干预下的因果发现
该研究论文提出了一种基于随机干预的因果发现模型，通过最小化干预次数来解决因果发现问题，提供了多对数竞争比的近似算法，并给出了一些初步实验结果。
- 条件生成模型足以从任何因果效应估计中进行抽样
通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数 - 利用大语言模型高效发现因果图
提出了一种利用 LLMs 进行全因果图发现的新框架，通过广度优先搜索（BFS）方法，使用线性数量的查询，可在不同领域的因果图发现任务中获得具有前沿水平结果的高效性和效果。
- 高斯过程网络中的贝叶斯因果推断
在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设 - 层级偏倚驱动分类用于可解释因果效应估计
通过使用自定义目标函数的决策树，BICauseTree 方法可以提高平衡性和减少治疗分配偏差，保证因果效应估计的解释性和透明性。
- AAAI使用梯度插值和核平滑的连续处理效应估计
通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。
- 基于观测引导的气象场缩尺度：基准和新方法
本研究介绍了一种新型的天气降尺度模型，名为 HyperDS，它基于超网络架构并通过集成多尺度观测先验信息，实现了连续尺度建模的气象场效果，并在多个表面变量上优于其他基准模型。
- 对社交网络进行因果效应估计的治疗感知双曲表示学习
通过在社交网络中使用超伸缩表示学习，以及利用针对个体和其邻居是否接受相同治疗方法的处理感知式关系识别模块来增强隐藏混淆因素的表示，我们提出了一种名为 TAHyper 的新颖方法，以应对从观察数据中估计个体治疗效果时面临的关键挑战。
- 基于局部线性模型的不变因果预测
我们考虑从观测数据中识别目标变量的因果父节点的任务，我们的主要假设是候选变量在不同环境中被观测到，不同环境可以被视为对观测系统的干预，我们假设目标变量和协变量之间存在线性关系，但在每个环境中可能不同，关键是因果结构在各种环境中保持不变，我们 - AAAI从观测数据中学习多阶段选择问题的公平策略
通过解决难以计算的无限机会约束程序，提出了一种多阶段框架，用于从观测数据中学习公平策略，该问题与公司招聘、贷款批准或保释决策等高风险领域中的选择相关，我们专注于可解释的线性选择规则，并通过解决混合二次锥优化问题获得了组合评价的解决方案，与现 - AAAI可解释自适应优化的联邦因果学习
通过联邦因果发现策略 (FedCausal) ，在去中心化的异构数据中学习统一的全局因果图，不暴露本地数据，解决非独立同分布数据的问题。
- 面向基于机器学习的医疗设备的后市场监控框架：以病例研究为例
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。
- 基于观察型医疗数据的可迁移因果网络模型
基于人工智能技术的预测模型在医疗保健领域得到广泛应用。本文提出了一种新方法，将选择图、缺失图、因果发现和先前知识结合成一个图形模型，用于评估乳腺癌幸存者的青少年女性的心血管风险。该模型通过专家临床医生的验证，在风险评估、准确性和可解释性方面 - 多视角学习用于多波长极光图像的自动分类
该论文提出了一种基于多视角的轻量级极光多波长融合分类网络，MLCNet，通过轻量级特征提取与多尺度重构特征以及注意力特征增强模块的设计，有效改善了极光分类性能，达到了先进的分类准确度和计算效率。