标签
FedCausal-Dyn是一种新颖的联邦学习框架，通过将因果特征与虚假变化分离来解决动态特征漂移问题，从而实现稳健的原型聚合。它在联邦领域泛化基准测试上取得了最先进的性能。
本文提出了因果工作负载——基于正交矩的差分隐私查询集——以实现从合成数据中进行有效的因果推断，并介绍了Causal-AIM和噪声感知多重插补等方法。
介绍CausalDS，一个用于评估基于LLM的数据科学智能体中因果推理的基准。它利用合成结构因果模型和自然语言故事测试关联、干预和反事实推理，以及工具使用和弃权。
本文从理论和实证角度研究了图像分类中反事实公平（CF）与群体公平（GF）之间的关系，引入了新的CF评估数据集（CelebA-CF 和 LFW-CF）。研究发现，由于潜在属性与敏感属性相关，CF并不蕴含图像的GF，并提出了反事实知识蒸馏（CKD）以缓解这一问题。
本文介绍了赫克曼校正的认知不确定性，以解决机器学习中不可观测变量的选择问题，展示了当选择依赖于与结果相关的不可观测变量时，重要性加权会失效。该方法在受控实验和真实数据上恢复了校准性能，优于标准的不确定性量化基线。
本文提出了一种人在回路中的个性化算法追溯框架，通过贝叶斯推断迭代逼近用户的因果模型，从而提高建议的可信度与成本效益。
一项分析2010年至2026年间14.2万篇NLP论文的研究发现，资深和新兴的NLP作者越来越多地将论文发表在NeurIPS和ICLR等通用机器学习会议上，而非ACL等核心NLP会议，且ML会议具有显著的引用优势。
本文利用AT&T在2007-2011年间独家垄断iPhone销售这一自然实验，估计拥有iPhone对生育率的因果影响，发现证据表明iPhone可能起到了避孕作用。
本文提出了一种因果审计框架，通过在推理过程中改变数据库状态来评估有限记忆语言模型中的遗忘情况，发现参数泄漏可忽略不计，删除后的正确性主要源于检索伪影而非残留的参数记忆。
本文来自Airbnb，结合经济建模与因果推断，理解用户对价格的反应及偏好的差异，旨在优化双边市场中的定价工具与个性化服务。
该论文提出贝叶斯上下文实验者（Bayesian in-context experimenters），通过训练Transformer模仿贝叶斯后验Neyman教师策略，实现自适应平均处理效应（ATE）估计，并采用混合专家Transformer处理未知平滑性，理论证明可通过监督预训练学习该策略。
本文提出了一种因果机器学习方法，将双重/去偏机器学习与分层贝叶斯框架相结合，以估算额外供给对市场结果的增量影响，并以Airbnb作为案例研究。
本文提出一个集成框架，用于在双边招聘市场中个性化免费价值阈值，以应对竞争性目标和受限实验。部署的系统在目标指标上实现了显著提升，同时遵守了参与度安全护栏。
CausalMix将数据混合优化形式化为LLM训练的因果推断问题，使其能够动态适应数据分布的变化而无需昂贵的重新训练，并在Qwen2.5-0.5B和Qwen3-4B-Base上展示了更优的性能。
该文章推荐了社科研究十大技能及工具，包括斯坦福团队开发的Auto-Empirical-Research-Skills等，用于利用AI Agent进行实证研究和论文写作。
本文介绍了提升因果推断，利用参数化因果因子图高效计算关系域中的因果效应，并提出了提升因果推断（LCI）算法，用于多项式时间推断。
TabPFN-CFM是一个因果基础模型，可从观测数据中预测因果结构和因果结果，支持Pearl因果层次的所有三个层级，并实现了优于基线的性能。
本文对图宾根因果对数据集上的双变量因果方向方法进行了同手重新评估，引入了一种无参数压缩基线，其表现与SLOPE持平。文章记录了已发表准确率因协议差异而虚高的情况，并公开了所有代码和数据。
本文介绍了因果强化学习（CRL），在结构因果模型框架下统一了因果推断和强化学习，并探讨了诸如广义策略学习和反事实学习等新颖的学习设置。