模型无痛涨点！因果机器学习疯狂收割顶会

原创 于 2025-06-06 10:59:25 发布 · 796 阅读 · 8 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#机器学习 #人工智能 #因果推断

传统机器学习方法主要关注变量间的关联关系，难以有效揭示其背后的因果机制。这一局限在复杂应用场景中日益突出，推动学术界积极探索更具解释能力的新型方法，因果机器学习（CausalML）由此成为研究热点。

因果机器学习（CausalML）融合因果推断与机器学习，致力于构建变量间的因果图谱，挖掘数据背后的本质联系，从而提升模型的可解释性与决策可靠性。2024年，该领域的创新主要集中在动态建模、高维数据处理、无监督因果发现及跨域迁移等方面。例如，结合深度学习与稀疏因果图的轻量化混杂控制方法，兼顾模型精度与计算效率，具备广泛应用前景。

作为当前AI与统计学交叉的前沿方向，因果机器学习已在医疗、金融、工程等领域展现出巨大潜力。本文精选20篇最新高水平论文，涵盖理论进展与典型应用，助力研究者快速把握趋势，抢占科研先机。

点击【AI十八式】的主页，获取更多优质资源！

一、On Measuring Intrinsic Causal Attributions in Deep Neural Networks

在这里插入图片描述

在这里插入图片描述

方法

本文提出了一种新的框架，旨在量化神经网络模型中的内在因果贡献（ICC）。该框架基于生成模型，首次尝试在神经网络中明确量化这些因果贡献。提出了一种基于蒙特卡洛方法的算法，用于高效估计ICC，结合了随机化准蒙特卡洛（RQMC）采样策略，以提高计算的稳定性和收敛速度。通过多个数据集的实验，验证了所提方法的有效性，并与现有的解释性技术进行了比较，展示了其在模型解释中的潜力。 在这里插入图片描述

创新点

  1. 多层级信号分解 提出从传感器级别（如加速度计、陀螺仪等）到通道级别（如三轴数据）的分层信号分解方法，首次在WHAR（可穿戴设备人类动作识别）任务中融合这种多层级特征，增强了局部与全局时空关系的捕捉能力。

  2. 分层交互融合机制 通过层次化融合策略，在多个层级中动态建立传感器内和传感器间的时空依赖关系，弥补了现有方法对复杂时空耦合建模的不足。结合分解后的子信号特征，减少冗余信息干扰，同时利用跨层特征互补性提升分类精度。

论文链接：https://arxiv.org/abs/2505.09660

二、CAST: Time-Varying Treatment Effects with Application to Chemotherapy and Radiotherapy on Head and Neck Squamous Cell Carcinoma

在这里插入图片描述

在这里插入图片描述

方法

本文提出了一个名为CAST（Causal Analysis for Survival Trajectories）的新框架，通过结合参数和非参数方法，建模治疗效果随时间变化的动态过程。传统的生存分析方法通常在固定时间点上估计治疗效果，无法捕捉治疗效果随时间的动态变化，CAST框架旨在填补这一方法论空白。

CAST结合了因果生存森林的优势，提供了连续时间的治疗效果估计，采用参数化和非参数化技术，能够更细致地理解治疗对患者生存的影响。实验表明，CAST能够揭示治疗效果的上升、峰值和下降过程，为个性化医疗提供了重要的临床见解。 在这里插入图片描述

创新点

  1. 动态治疗效果建模 传统生存分析方法仅在固定时间点静态估计治疗效果，而CAST框架首次实现了连续时间维度上的动态评估，捕捉治疗效果随时间的上升、峰值和衰减过程。这种动态建模填补了方法学空白，为临床提供更精细的疗效演化视角，而非单一时间点的结论。

  2. 参数化与非参数化方法的融合

  • 因果生存森林（非参数）：利用随机森林的灵活性与高维数据处理能力，捕捉复杂非线性关系和个体异质性。

  • 参数化模型补充：通过引入参数假设（如时间依赖的风险函数），增强模型在稀疏数据区域的稳定性，避免非参数方法的过拟合风险。

论文链接：http://export.arxiv.org/abs/2505.06367

三、Soft causal learning for generalized molecule property prediction: An environment perspective

在这里插入图片描述

在这里插入图片描述

方法

本文提出了一个名为CauEMO的分子属性预测网络，旨在解决分子科学中的OOD（Out-of-Distribution）问题。设计了一个知识增强的环境生成器，以促进环境的多样性，并通过环境-图信息瓶颈（E-GIB）学习目标来提取环境表示，分离无关的环境信号和相关信号。通过引入环境-不变性软因果交互机制，CauEMO能够有效捕捉环境与因果不变性之间的动态交互。

七个数据集上的实验表明，CauEMO在OOD场景下具有良好的泛化能力，能够有效提高模型的表现。 在这里插入图片描述

创新点

  1. 知识增强的环境生成器 突破传统数据增强对随机扰动的依赖，通过引入化学领域知识（如官能团替换规则、分子骨架变形模板）生成与分子属性逻辑关联的多样化环境，确保生成环境既多样又具有化学合理性。

  2. 环境-图信息瓶颈（E-GIB）学习目标 首次将信息瓶颈理论扩展至环境因果建模，提出双重约束机制：

  • 信息压缩约束：强制环境表示仅保留与分子属性相关的因果特征。

  • 解耦约束：分离环境信号中的因果相关（如官能团对药效的影响）与无关分量（如分子构象噪声），提升模型的抗干扰能力。

  1. 环境-不变性软因果交互机制 提出动态权重分配的软交互框架，通过可学习的门控网络，量化不同环境对因果不变性特征的贡献权重。引入伪因果关系验证模块，自适应调整环境与因果路径的关联强度。

论文链接：https://arxiv.org/abs/2505.06283

点击【AI十八式】的主页，获取更多优质资源！

AI十八式
关注
CausalML：如何将因果推断与机器学习结合？
强化学习曾小健
06-23 879
马普所和ETH的联合博士，主导师为因果推断领军学者Bernhard Schoelkopf。主攻NLP + 因果推断，已发表NLP/AI论文21篇 (包括ACL, EMNLP, NAACL, AAAI, COLING, AISTATS等)。主要合作者和导师包括Prof Rada Mihalcea (密歇根大学), Prof Mrinmaya Sachan (ETH), Prof Ryan Cotterell (ETH)。
python causalml 库安装教程
write___的博客
01-09 2705
因果推断_Uplift-Modeling_python causalml 库 安装教程
Causal ML学习笔记
热门推荐
u013473512的博客
12-19 18万+
项目名称：Causal ML: A Python Package for Uplift Modeling and Causal Inference with ML 项目名称：Causal ML：使用机器学习进行提升建模和因果推理的Python包 CausalML是uber的开源项目，用于使用机器学习方法进行提升建模和因果推理方法。它允许用户从实验或观察数据估计条件平均治疗效果(CATE)或个体...
因果推断（三）：causalml的使用（1）_元学习器的使用
Y1n的博客
04-16 2875
元学习器是利用一些现成的机器学习方法来进行因果推断的方法。也是相对来说最简单的进行因果推断的模型，在econml和causalml都有实现，调用也相对比较方便。
CausalML 基于机器学习算法的因果推理方法
最新发布
EasyMCM的博客
04-09 1960
CausalML是一个 Python 包，它使用基于最新研究的机器学习算法提供一套提升建模和因果推理方法。它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均处理效应 （CATE），也称为个体治疗效应 （ITE）。从本质上讲，它估计了干预 W 对具有观察到特征 X 的用户的结果 Y 的因果影响，而无需对模型形式进行强有力的假设。在本节中，我们将更深入地探究CausalML中所实现的算法。我们采用内曼 - 鲁宾潜在结果框架，并假定代表结果，代表处理分配，Xi​代表观测到的协变量。
因果学习介绍
Saslil的博客
12-07 4651
因果机器学习(CausalML)是将数据生成过程形式化为结构因果模型(SCM)的机器学习方法的总称。
因果推断4--Causal ML（个人笔记）
as472780551的博客
01-02 6969
CausalML是一个基于Python的因果学习开源项目。最早为Uber项目定制、内部开源，而后正式成为开源项目。其提供了丰富的模型选择，例如常用的Meta-Learner和因果树模型，方便在实践中作对比和选择。同时还提供例如模拟数据生成、模型可视化、模型评估等一系列配套工具。其目标是用于解决业务实践问题，尤其是在计算速度和数据规模方面能够达到业界标准并持续优化。
【亲测免费】 Causal ML：提升建模与因果推断的利器
gitblog_01163的博客
10-10 885
Causal ML：提升建模与因果推断的利器 项目介绍 Causal ML 是一个由 Uber 开源的 Python 包，专注于提供一系列基于机器学习算法的提升建模（Uplift Modeling）和因果推断（Causal Inference）方法。该项目旨在帮助用户从实验或观察数据中估计条件平均处理效应（Conditional Average Treatment Effect, CATE）或个体...
causalml：使用机器学习算法进行提升建模和因果推理
02-04
免责声明 这个项目很稳定，可以长期支持。 它可能包含新的实验代码，其API可能会更改。 因果ML：用于ML进行抬升建模和因果推理的Python包 Causal ML是一个Python软件包，它提供了一套基于最近研究的，使用机器学习算法的提升模型和因果推理方法。 它提供了一个标准界面，允许用户从实验或观察数据中估计条件平均治疗效果（CATE）或个体治疗效果（ITE）。 本质上，它为具有观察特征X用户估计了干预T对结果Y的因果影响，而无需对模型形式做出强烈假设。 典型的用例包括 广告系列定位优化：提高广告系列投资回报率的重要手段是将广告定位到在给定的KPI（例如参与度或销售）方面有良好响应的一组客
causalml 使用介绍
ZSCDumin的博客
03-30 4123
causalml 使用介绍 1. 安装教程及官方文档 1.1 pip安装 pip install causalml 1.2 API文档 https://causalml.readth...
因果推断笔记——因果图建模之Uber开源的CausalML（十二）
素质云笔记
09-14 9337
CausalML，这是一个开放源码的Python包，它提供了一套基于最近研究的机器学习算法的提升建模和因果推理方法。我们将介绍CausalML的主要组成部分: (2) 验证/分析方法(如合成数据生成、AUUC、敏感性分析、可解释性)， (3) 优化方法(如策略优化、价值优化、单元选择)。 github：https://github.com/uber/causalml 其余两篇开源项目的文章： 因果推断笔记——因果图建模之微软开源的EconML（五） 因果推断笔记——因果图建模之微软开源的dowhy（一）
causalml 因果推断
u013385018的专栏
04-13 1495
论文地址 https://arxiv.org/pdf/2002.11631.pdf 摘要：在本文中，来自 Uber 的研究者推出了针对因果推理和机器学习算法的 Python 实现。近年来，结合因果推理和机器学习的算法早已成为热门话题。CasualML 包通过该领域一系列方法的 Python 实现，力图缩小方法论理论研究与实际应用之间的差距。 本文着重介绍了 CasualML 包的核心概念、应用范围和应用实例。此外，研究者计划将来添加更多 SOTA 增益模型，并探索更多融合机器学习与因果推理的建模方法以
uplift 模型开源包（causalml）尝试
xiedelong的博客
06-16 1797
参考：https://github.com/uber/causalml 依赖：https://github.com/uber/causalml/blob/master/requirements.txt 安装：sudo pip install causalml 报错：ImportError: cannot import name ‘factorial’ 问题解决：sudo pip install statsmodels --upgrade ...
Causal Inference 学习（一）：Assignment Mechanism
dachylong的专栏
02-18 3427
定义 Assignment mechanism 是一个函数， 三条限制 Individual assignment: Probabilistic assignment: Unconfounded assigment: 分类 Randomized experiments Regular assignment mechanisms Irregular assignment me
因果推理（causal inference）初步调研
sinat_35177634的博客
05-13 5844
因果推理（causal inference）初步调研 NIPS相关论文 NIPS有相关的causal inference板块，但总体来看，相比于较为成型的visual板块显得更加五花八门，少有一个统一的框架来解决关于因果推理的任务，甚至对任务的界定也比较模糊，大家各自为战。 比如treatment effects estimation任务，就包括individual treatment effects estimation和Heterogeneous Treatment Effects estimation
ML建模
Innovat1on的博客
05-09 821
在数据分析了之后就可以进行模型的建立了，机器学习模型有很多，建议均作尝试，不仅可以测试效果，还可以学习各种模型的使用技巧。其实，几乎每一种模型都有回归和分类两种版本，并且直接有scikit-learn、XGBoost、LightGBM这些库，直接可以用！ 对于模型，经典的要会推导，每种应用的模型要明确工作原理，大白话讲出来！对于重要的公式要回写。 （random forest一般效果比较好） 错误...
因果相关的论文与算法
lankongyiqu的博客
06-03 1163
因果相关的论文与代码
因果机器学习，因果模型和机器学习
03-12
### 因果机器学习的概念 因果机器学习融合了因果推理和传统机器学习技术，旨在通过识别并量化变量间的因果效应来进行预测和决策支持。不同于仅依赖于关联性的经典统计方法，因果机器学习试图理解数据背后的机制，即哪些因素真正引起了其他变化的发生。 结构因果模型（Structural Causal Models, SCMs）提供了一种形式化框架用于表达因果假设，并允许研究人员构建能够反映现实世界复杂交互作用的理论模型[^3]。SCMs不仅描述了不同事件如何相互影响，还提供了评估干预措施效果的能力——这是标准监督式学习所不具备的功能。 ### 因果模型与机器学习的关系 两者间的主要区别在于目标设定上：传统的机器学习侧重于模式发现，专注于找到输入特征与输出标签之间的最佳映射；而因果建模则更进一步追求解释力，力求揭示隐藏在表面之下的真实联系。为了实现这一点，在处理观测数据时引入了一系列专门设计的技术手段来应对潜在偏差问题，比如混淆调整、倾向评分匹配等方法可以有效减少由未测量协变量引起的估计误差[^1]。 此外，当涉及到政策制定或者个性化治疗方案推荐等领域应用时，具备明确因果路径的知识对于指导实践至关重要。因此，尽管机器学习擅长捕捉复杂的非线性关系，但在涉及因果推断的任务中往往需要借助额外的信息源或领域专业知识作为补充[^2]。 ```python import numpy as np from sklearn.linear_model import LinearRegression # 假设我们有一个简单的线性回归例子 X = np.array([[1], [2], [3]]) y = np.dot(X, 2) + 1 model = LinearRegression() model.fit(X, y) print(f"Coefficients: {model.coef_}") ``` 此代码片段展示了经典的机器学习方式建立了一个基于给定训练集的学习器，它能很好地拟合已知样本点的趋势。然而，如果想要探究自变量\( X \)的变化究竟会在多大程度上引起因变量 \( Y \) 的变动，则需采用更加严谨的因果分析策略去排除干扰项的影响。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值