标签
提出FunnelCausalNet，一种用于多层级优惠券分配的提升估计方法，在漏斗组合下耦合转化与收入预测头以降低方差，并在半合成Criteo数据和工业酒店优惠券RCT日志上得到验证。
本文介绍了反事实临床审计（CCA）框架，用于评估ICU脓毒症管理的离线强化学习智能体，揭示了‘毒性模仿’——智能体复制标准指标无法检测的有害治疗模式。使用MIMIC-III数据，表明医学决策Transformer在乳酸升高时未能升级血管加压药，而因果Transformer表现安全。
本文提出了一种方法，使用组相对策略优化（GRPO）对开放权重语言模型进行微调，以生成可操作的财务建议，在独立于评判者的CATE评估中优于商业LLM，同时满足安全标准。
本文介绍了CAR-PL，一种利用多动作会计日志向中小企业推荐业务变更的观测策略排序方法，并在财务KPI预测上将其与多个基线进行了比较。
本文从理论上分析了连续DAG学习中的支持选择，表明仅靠平滑无环约束无法在可行性之外对支持进行排序，推导了NOTEARS/DAGMA的选择时间，并对320条轨迹进行了经验审计。
This paper introduces CLAM, a method for estimating localized causal effects from coarse-resolution data by jointly learning causal mechanisms and a disaggregation mapping, with applications in public health and environmental policy.
本文介绍了目标加权Neyman分配（TWNA），一种两阶段分层实验设计，通过优化各组和各处理臂的样本分配，提高人口迁移下目标加权组平均处理效应的估计精度。
本文研究了使用GPT-3.5进行在线借贷中的反事实分析，表明提示工程能够提高预测准确性，并在替代利率下生成连贯的反事实投资回报率。
本文通过因果干预审计多模态大语言模型中的视觉工具使用，揭示尽管总体准确率有所提升，返回的观察结果往往缺乏因果效应。它识别出诸如“不看就调用”和“不做规划就看”等失败模式，并引入了“视觉工具使用的幻觉”这一概念。
UpliftBench is a benchmark paper showing that disagreements between uplift modeling evaluations often stem from metric choice rather than model quality, identifying specific mismatches between ranking metrics and deployment objectives across several dataset families.
DoTime is a synthetic benchmark generator for interventional and counterfactual time series, providing scalable TSCM-based data generation with exact ground truth, released as a PyPI package with evaluation suites. It enables training and benchmarking causal foundation models on non-observational time series data.
Presents Eco3S, a socio-economic system simulation framework that uses LLM-based agents with co-evolving environments, structural causal simulation, and a self-corrective refinement paradigm to replicate and analyze economic phenomena.
本文提出CURL，一种即插即用适配器，利用估计器不确定性分配预训练LLM的语义能力，以改进异质性治疗效果（CATE）估计。它引入两种角色调节的提示，构建面向分配和异质性的表示，在四个基准上提升了十个宿主学习器的性能。
本文评估了无监督子组方法与因果发现和政策评估相结合，用于观察性数据中的预算约束健康干预，发现在留出评估中没有单一方法始终优于其他方法。
本文通过引入因果零点与因果微分方程，扩展了Pearl的结构因果模型框架，以处理有向无环图所不允许的对称约束与反馈循环。
本文提出了一种部分识别方法，利用先前的随机对照试验数据来约束新机器学习模型的因果效应，通过反事实正确性和亚组预测准确性的假设，得到更具信息量的边界。
本文研究了具有不可操纵变量的上下文因果赌博机问题，提出了汤普森采样和信息导向采样（IDS）的因果变体，利用共享因果机制加速决策过程。理论遗憾界和合成任务实验表明，所提方法优于因果和非因果基线。
本文提出PUe，一种用于有偏正-无标记学习的框架，使用归一化倾向得分和归一化逆概率加权来处理选择偏差，在非均匀标签分布下改进分类性能。
OrDA 是一个利用正交正则化和因果干预，在首页营销区块推荐中将用户访问习惯与真实内容兴趣解耦的框架，在芝麻信用首页上实现了 5.64% 的 UCTR 提升。
本文通过引入最大特异性因果关系（MSCRs）并证明其预测具有一致性，解决了卡尔·亨佩尔在归纳-统计推理中的统计模糊问题，并探讨了对因果AI和机器学习的影响。