2025Idea黑马因果机器学习！多篇文章轻松登上Nature！32/64

因果机器学习（Causal Machine Learning, CausalML）是将因果推断与机器学习相结合的前沿技术，旨在通过建立因果关系模型，深入探索数据背后的深层联系，从而更准确地预测和决策。

我还整理出了相关的论文+开源代码，以下是精选部分论文

 更多论文资料可以关注：AI科技探寻领取相关[论文+开源码】

论文1

标题：

【Nature子刊】

Causal machine learning for predicting treatment outcomes

用于预测治疗结果的因果机器学习

方法：

• 因果机器学习（Causal ML）：提出了一种用于预测治疗结果（包括疗效和毒性）的因果机器学习方法，支持药物评估和患者护理的个性化。

• 个体化治疗效应估计：通过估计个体化治疗效应（CATE），使临床决策能够根据患者个体特征进行个性化调整。

• 多模态数据处理：能够处理包含图像、文本、时间序列以及遗传数据的多模态数据集，从而从复杂数据中估计治疗效应。

创新点：

• 个体化治疗效应估计：通过估计个体化治疗效应（CATE），为患者提供更精准的治疗预测，与传统统计方法相比，能够更好地捕捉治疗效应的异质性。

• 多模态数据支持：能够处理包含多种数据类型的多模态数据集，例如从电子健康记录或医学影像中估计治疗效应，扩展了因果机器学习的应用范围。

• 临床决策支持：通过预测不同治疗方案下的潜在患者结果，为临床医生提供决策支持，帮助选择最佳治疗方案，显著提高了治疗决策的科学性和个性化程度。

• 理论与实践结合：结合了因果推断的理论基础和机器学习的灵活性，为处理复杂的临床数据提供了新的工具，推动了因果机器学习在医学领域的应用。

论文2

标题：

【Nature子刊】

Improving the accuracy of medical diagnosis with causal machine learning

通过因果机器学习提高医疗诊断的准确性

方法：

• 反事实推理：将诊断重新定义为反事实推理任务，通过计算疾病对症状的因果解释能力来改进传统关联性诊断方法。

• 期望禁用度和期望充分性：提出了两种反事实诊断度量——期望禁用度和期望充分性，用于量化疾病对症状的因果影响。

创新点：

• 反事实诊断方法：与传统关联性诊断方法相比，反事实诊断算法在测试集上将真实疾病排名更高的比例从21%提升至32%，显著提高了诊断准确性。

• 罕见病诊断改进：在罕见病和非常罕见病的诊断中，反事实算法将真实疾病排名更高的比例分别从29.2%提升至32.9%，减少了罕见病误诊的可能性。

• 与医生的比较：反事实算法的平均诊断准确率达到77.26%，高于医生的平均准确率（71.4%）和传统关联性算法（72.52%），进入医生群体的前25%，达到专家级临床水平。

• 模型兼容性：反事实算法能够在不改变现有疾病模型的情况下，直接应用于现有的贝叶斯诊断模型，提供即时升级路径，无需重新学习疾病模型。

论文3

标题：

Causal Discovery in Semi-Stationary Time Series

半平稳时间序列中的因果发现

方法：

• PCMCI：提出了一种基于约束的非参数算法PCMCI，用于在半平稳时间序列中发现因果关系。该算法通过捕捉因果机制的交替和周期性变化，识别底层因果图。

• 时间分割与条件独立性测试：通过时间分割和条件独立性测试，PCMCI能够识别时间序列中周期性变化的因果结构。

• 马尔可夫链构造：通过构造与半平稳结构因果模型（SCM）紧密相关的马尔可夫链，PCMCI能够利用其平稳性和遍历性来估计条件分布。

• 周期性估计：通过最小化估计的父集大小来选择最优的周期性估计值，从而准确识别每个变量的周期性。

创新点：

• 半平稳时间序列因果发现：首次提出了一种能够处理半平稳时间序列的因果发现算法，解决了传统方法在非平稳数据上失效的问题。

• 周期性因果机制捕捉：算法能够自动识别时间序列中因果机制的周期性变化，准确率在模拟数据上达到90%以上（当时间序列长度T足够大时）。

• 非参数方法：PCMCI不依赖于数据的具体分布假设，使其适用于更广泛的时间序列数据类型。

• 理论保证：在无限样本极限下，PCMCI能够准确恢复因果图，为因果发现提供了坚实的理论基础

论文4

标题：

Robust and Agnostic Learning of Conditional Distributional Treatment Effect

条件分布处理效应的鲁棒且不可知的学习

方法：

• 伪结果回归：提出了一种基于伪结果的回归方法，通过构造特殊的伪结果并使用任何回归学习器对其进行回归，从而学习条件分布处理效应（CDTE）。

• 模型不可知性：该方法能够提供CDTE在回归模型类上的最佳投影，即使回归器不是通用逼近器，也能获得最佳近似。

• 鲁棒性：即使在非参数学习中以非常慢的速率学习到的干扰项，仍能以依赖于模型复杂度的速率学习CDTE，并可对线性投影的CDTE进行有效推断。

创新点：

• 鲁棒性提升：与插值方法相比，该方法在学习CDTE时对模型误设和慢速学习的鲁棒性显著提高，误差依赖于干扰项误差的平方，从而在实际应用中更加稳定。

• 模型不可知性：能够为CDTE提供模型不可知的最佳近似，即使在使用线性回归等简单模型时，也能获得与真实CDTE的最佳线性近似，性能提升显著。

• 广泛的分布度量：该方法能够处理包括条件分位数、超分位数和基于f-散度的风险度量在内的广泛分布度量，为研究者提供了更丰富的工具来分析处理效应的异质性。

• 统计推断能力：该方法允许对CDTE的线性投影进行有效的统计推断，使得研究者能够对分布效应异质性进行可解释的分析，覆盖率在模拟数据中达到95%以上。

 更多论文资料可以关注：AI科技探寻领取相关[论文+开源码】