标签
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。
一项微软研究利用16223名工程师43周的数据发现，在保持开发工作量不变的情况下，GitHub Copilot使拉取请求完成率提高了40.5%。
一项使用工具变量的新论文发现，在2015年至2024年间，数据中心实际上导致美国平均零售电价小幅下降，这与普遍看法相反。
斯坦福REAP团队推出CoPaper.AI工具，可输入原始数据集后30分钟内自动生成包含完整Stata/R代码和图表、可重复的实证论文，旨在终结传统论文的体力劳动。
Artemis 提出了一种区域级因果框架，通过学习区域特异性混杂变量表示，消除多模态神经影像中的统计学混杂因素，从而提升图神经网络在疾病诊断和分类任务上的性能。
本文系统评估了InferBERT框架中分类模型选择对因果不良药物事件检测的影响，发现领域特定预训练（BioBERT）优于简单模型及Med-LLaMA等大型语言模型。
提出DAG-SHAP，一种基于边干预的有向无环图特征归因新方法，解决了现有Shapley值方法在捕捉特征交互和因果关系方面的局限性。
本文介绍了关系结构因果模型，将结构因果模型扩展到具有变化对象和关系的场景。它提供了识别的理论结果，并提出了关系神经因果模型，该模型在模拟交通场景中的表现优于非关系基线方法。
本文开发了一个贝叶斯深度学习框架，用于估算2010年至2020年伦敦空气污染法规对PM2.5浓度的因果效应，发现平均减少量为1.88微克/立方米（12.35%）。
本文提出Dose-AIPTB，一种使用基于注意力的聚合估计离散剂量分配下个体治疗获益概率的框架，在数值实验中优于核替代方法。
本文探讨了主题情感是否对新闻文章中感知到的政治意识形态产生因果影响，比较了来自 AllSides 的人类标注与来自包括 GPT-4o-mini 和 Llama-3.3-70B 在内的 LLM 标注。研究发现，微调后的 GPT-4o-mini 表现出一种虚假的情感-意识形态耦合，而这种耦合在人类判断中并不存在，这凸显了在因果分析中使用 LLM 标注作为代理的风险。
本文研究当决策主体（智能体）为了回应策略而策略性地修改其协变量时的离线策略评估（OPE）。该方法利用事后解释进行局部披露，以揭示智能体的前策略协变量，并构建策略价值的双重稳健估计量。
StableRCA是一种新颖的根因分析框架，通过估计局部马尔可夫边界并检测条件分布偏移来识别干预目标，避免了全局因果图的发现，在合成和真实数据集上展示了鲁棒性。
提出CausalPOI，一个基于时空图的因果表示学习框架，用于冷启动POI签到预测，在真实世界的SafeGraph数据集上显著优于现有最先进基线。
提出了CVT-RL，一种带有策略条件化反事实贡献估计和可验证奖励的约束策略梯度算法，提高了长程语言智能体的可靠性并减少了奖励篡改。
本文提出了一种基于文本的因果推断方法，通过改进的 CausalBERT 模型，解析各独立维度（如学校管理、学业表现）对在线评价总体评分的影响，并在超过 60 万条美国 K-12 学校评价数据上进行了验证。主要改进包括：温度缩放、超参数优化以及可解释性方法，以减少混淆偏差。
本文提出了“Trivium”框架，该框架将长时域时间遗憾和认知遗憾作为一等目标，与结果遗憾一同用于智能体LLM系统中的因果记忆控制器。作者证明，在没有干预通道的情况下，仅基于结果的学习无法区分因果结构与虚假结构，而他们的方法在CausalBench-Seq实验中实现了O(log E)的时间遗憾，而基线方法则为线性增长。
本文通过因果发现与特征选择，探究现实世界数据集是否包含自然实验，结果表明它们确实包含，并能提升模型性能。