causal inference
PulseAugur coverage of causal inference — every cluster mentioning causal inference across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
因果基础模型利用上下文学习进行因果推断
研究人员引入了因果基础模型（CFM），该模型利用预训练的神经网络通过上下文学习来估计新数据集上的因果效应。这种方法无需进行微调，这与需要为每个问题定制管道的传统因果推断方法不同。CFM 旨在将基础模型范式（已在机器学习中普遍存在）引入因果推断领域，从而能够估计新数据集上的平均处理效应等数量。
-
新统计方法使用高斯过程进行时间序列因果推断
研究人员开发了一种新的统计方法，用于中断时间序列设计的因果推断，特别适用于治疗同时影响所有单位的情况。该方法使用高斯过程回归通过从治疗前数据外推来估计反事实，保留与历史序列一致的函数，并在外推放大分歧时扩大不确定性区间。通过模拟和对最高法院 Heller 裁决后手枪购买情况的分析证明了该方法，并提供了一个名为 'gpss' 的配套 R 包以供实现。
-
新研究探索非结构化数据和处理的因果推断 · 跟踪3个来源
三篇最新的arXiv论文探讨了因果推断的先进技术，超越了传统的标量结果和处理。其中一篇论文将最优输运作为观测数据因果推断的基础元素，旨在统一统计学和计量经济学之间的语言。另一篇论文提出了一种针对非结构化结果（如文本或图像）的因果推断方法，通过识别受处理影响的“最大对比特征”。第三篇论文处理非结构化处理，定义了一个“最大影响特征”，以了解处理的哪些方面（例如课程描述）对结果影响最大。
-
因果推断揭示统计悖论
本文探讨了因果推断如何通过区分相关性和因果关系来揭示统计悖论。文章解释说，因果推断提供了一个框架来理解“假设”场景并做出基于证据的决策。文章使用经典的例子，如辛普森悖论和伯克利数据集，来说明因果推断如何通过揭示真实的因果关系来阐明这些现象。
-
新的RAG方法将向量搜索与因果推断策略学习联系起来
研究人员开发了使用检索增强生成（RAG）进行策略学习的新方法，将行动选择置于潜在结果框架内。他们的方法将向量搜索与因果推断中的最近邻匹配联系起来，分解了这个两步过程的遗憾。使用Transformer和最近邻估计器的预测误差保证来评估这些方法。
-
斯坦福大学教授利用 LLM 随机性进行 AI 因果推断 · ICML 2026
斯坦福大学教授 Susan Athey 在 ICML 会议上提出了一种在生成式 AI 时代进行因果推断的新方法。她的方法利用大型语言模型 (LLM) 的内在随机性，为每个用户查询创建“微实验”。该技术通过关注用户内部概率并利用重复的 API 调用以低成本生成反事实暴露，绕过了估计倾向得分等传统挑战。该方法旨在为 AI 产品决策提供实用见解，例如聊天机器人回复语气更温暖的影响。
-
新研究详细介绍了使用边际矩约束因果效应的中心矩
一篇新发表在arXiv上的研究论文介绍了一种识别和约束个体因果效应（ICE）中心矩的方法。该方法仅利用潜在结果的边际中心矩，这些矩通常比完整的边际分布更容易获得。论文通过两个实证案例研究展示了这些发现的实际效用，从而对处理效应异质性提供了更细致的理解。
-
新的机器学习框架估计亚群体中的处理效应
研究人员开发了一种新的机器学习框架，用于解决亚群体内条件主因果效应的识别和估计问题。这种新颖的方法，被称为“双重交叉拟合双重稳健机器学习器”，利用了顺序正交学习和正则化最小二乘筛来处理主层析中固有的复杂嵌套的干扰结构。该方法通过采用优势比敏感性参数化放宽了单调性假设，并通过模拟和对急性肺损伤试验的实证分析进行了验证，揭示了显著的处理效应异质性。
-
AI 安全专家批评 Bengio 的“科学家 AI”计划
对 Yoshua Bengio 的“科学家 AI”提案的批评引发了对其对齐失败和实际可行性的担忧。作者认为，阻止 AI 进行探索性代理行为（科学发现的关键方面）将阻碍其进步，并可能导致不安全的结果。此外，基于关联概率而非真正因果推理的训练方法被视为根本性限制。尽管有这些批评，作者承认 Bengio 短期内对 LLM 进行微调以识别用户请求中潜在风险的计划的价值，并赞赏“随时准备”的框架。
-
新框架检测生成式AI中的因果偏见
研究人员开发了一个新的框架，用于检测生成式AI系统中的因果偏见。该方法学将因果推断原理应用于解决生成式模型的独特复杂性，这些模型与标准机器学习不同，它们隐式地构建自己的因果机制。该方法允许对跨越各种因果路径的公平性影响以及模型对现实世界机制的替代进行精细量化。该论文通过使用多样化数据集分析大型语言模型中的种族和性别偏见，展示了其效用。