#因果推断
共 13 篇相关文章
可迁移离线强化学习：破解未测量混杂与领域差异
本文解读可迁移离线强化学习新框架，联合处理领域差异与未测量混杂，利用多源异构数据识别目标域因果量，提出CAT-CCB和CAT-CMDP算法，并给出有限样本理论保证。
因果机器学习破解动态收费“三难困境”
一项研究提出因果机器学习框架，用Double Machine Learning估计动态收费的分区效应，通过自适应配额在保持93%延迟节省的同时将住宅区覆盖扩大34倍，并发现政策不变收费区间以简化落地。
Conformal Policy Selection：用FDR控制为AI决策部署加装安全阀
Conformal Policy Selection 将AI策略的靶向部署转化为多重检验问题，用加权保形p值与两步筛选实现有限样本FDR控制，并在电子健康记录半合成实验中验证其作为部署安全门的作用。
因果基础模型的单元级聚合为何破坏置信区间覆盖
因果基础模型在单元级处理效应估计上表现良好，但新研究发现组级聚合时可信区间覆盖率严重下降。本文剖析误差相关性根源，并介绍联合预测神经过程模型的改进方案。
协变量设计光滑性如何影响CATE逐点估计的极小极大速率
一项理论研究揭示，协变量设计光滑性会显著影响逐点CATE估计的极小极大收敛速率。即便函数平滑性相同，粗糙设计也可能比均匀设计更慢，协变量分布是因果估计精度的结构性因素。
TMLE与AIPW的样本分割选择：交叉拟合与重复分割的影响
一项TMLE与AIPW模拟研究发现，样本分割方式显著影响区间覆盖率：样本内拟合倾向得分可使覆盖率跌至0.12-0.48，双nuisance交叉拟合则恢复至0.91-1.00；近正性下AIPW优于未加权TMLE，重复划分降低划分依赖但使区间更保守。
因果推断模型怎么选？用A/A安慰剂测试避开估计偏差
如何在看不到真实效应时选择因果推断模型？本文通过模拟实验对比合成控制法与双重差分法，揭示 A/A 安慰剂测试如何量化模型误差，并展示 Claude Code 在 DiD 分析中产生 24% 估计偏差的翻车案例。
sHAIL-Causal：用不变性阶梯法发现真实因果预测变量
sHAIL-Causal 是 sHAIL 范式在因果发现上的专门化版本，用拟合饱和与跨环境不变性替代复杂度控制，通过阶梯式搜索可证明地找到真实因果预测变量集合。本文解读其核心机制、贪心搜索失效原因及序贯环境下的置信保证。
因果效应识别中的聚类不变性：何时简化图结构不损失信息
arXiv 最新论文探讨因果图中变量聚类的识别不变性问题，提出基于 c-components 的判定条件，揭示聚类操作如何在简化图结构的同时保证因果效应识别结论不失真。
HOST算法：高效学习高斯DAG的新范式
HOST是一种高效的高斯DAG学习算法，用留出评分与凸回归替代昂贵的子集搜索，无需入度上界，以d·logp样本复杂度在多项式时间内精确恢复图结构，弥合统计-计算鸿沟。
ReRoute框架：无需对照实验的科学反事实预测新方法
arXiv论文提出ReRoute框架，结合事实数据与部分机制知识，无需昂贵受控实验即可进行科学反事实预测。在气候模拟中将CO₂分布偏移下的误差降低18.2%-31.8%，核心因果论证经Lean机器验证。
完美的模型也会把因果关系搞反：聊聊因果机器学习的do算子
一个精度完美的机器学习模型也可能把因果关系搞反。本文通过药物与疾病的经典例子，解析因果机器学习中观察与干预的区别，以及do算子为何是正确决策的关键。
