标签
本文介绍了一种面向决策的生存分析学习方法，该方法通过NDCG优化将预测模型与后续分配决策对齐。应用于美国心脏移植数据后，排名性能提升了50-100%，每年可能带来数千额外生命年。
本文介绍了条件假设生成（Conditional Hypothesis Generation），这是一个结合研究者指定协变量的框架，用于引导基于LLM的文本分析发现有意义的子组差异，同时解决诸如层不平衡和符号反转等混杂因素。
本文提出了兼容性和不兼容性分数，用于评估双变量因果陈述集合，无需依赖忠实性假设，并通过分析大型语言模型的因果主张展示了其实用性。
介绍了一种用于非参数工具变量估计的微扰方法，该方法通过高阶修正扩展了核岭回归方法，在高维设置中实现了预测误差高达99%的降低。
本文介绍了一种因果智能框架COAST，用于设计约束感知干预，驱动复杂系统在状态间转换。该框架整合了因果发现、因果建模和多目标优化，以识别具有机制解释的最小有效干预策略。
提出了一个连续性准则，用于将离散时间因果先验数据拟合网络扩展到连续时间，利用随机微分方程（SDE）。引入了分类体系和细网格积分方法，在不规则观测时间表上优于朴素积分方法。
本文认为非线性因果发现中的标量边分数掩盖了状态依赖效应，并提出使用Neural Additive Vector Autoregression和Individual Conditional Expectation的函数值因果影响。
本文对自动化提示优化进行了基于因果启发的分析，涵盖多种框架、大语言模型和任务，识别出特定编辑类型（如复杂度增加型、元指令型）根据任务特征具有系统的负面或正面效应，从而解释了泛化失败的原因。
本文通过建模差异化网络效应解决了从图数据中估计个体处理效应的挑战，提出了一种包含部分注意力和信息放大器的机制，以捕捉邻居的不同重要性和规模。实验表明，该方法性能优于现有方法。
数据分析增强框架（DAAF）是一个免费、开源的工具包，它将Claude Code转变为严谨的定量研究引擎，确保在人类监督下实现可审计和可重复的分析。
本文研究在序贯决策问题中，规划者何时以及如何用真实实验补充预训练模拟器，提出Fisher-SEP以最小化目标策略值的后验方差。
来自Google DeepMind和卡内基梅隆大学的这篇论文指出，由于用户漂移（模拟人群随干预措施而变化），LLM模拟实验实际上属于观察性研究。作者提出使用阴性对照结果来诊断混杂，并表明引出与情境相关的混杂因素可以减少偏差。
本综述论文提出了一个用于临床AI中干预感知疾病轨迹建模的统一框架，通过整合治疗混杂反馈和信息性观察模式来解决静态预测的失败。
一个结合结构因果模型、霍克斯过程和LLM代理的营销决策反事实模拟器；允许在分配预算前查询“如果……会怎样”的情景。开源于GitHub。
本文使用主成分分析（PCA）和激活补丁等机制可解释性方法，在一个图随机游走任务上探究了大型语言模型是通过潜在结构推断还是局部模式匹配来进行上下文学习。
本文介绍了结构化对手建模（SOM），这是一种利用结构因果模型将LLM智能体在多智能体环境中的对手表征与预测解耦的框架。该方法利用显式的因果结构而非隐式的上下文推理，提高了预测准确性和战略决策能力。
本文提出了一种用于营销干预的三位一体世界模型，采用深度玻尔兹曼机（Deep Boltzmann Machines），融合了基于能量的评估、结果预测和反事实推断。
本文提出了“最大效力问题”，旨在选择受成本约束的实验，以最大程度地缩小部分因果效应的界限。作者提出了图形剪枝准则以减少搜索空间，并在NHANES健康数据集上展示了该方法的应用。
本文通过逆概率加权（IPW）和增广逆概率加权（AIPW）等离策略方法，展示了难民匹配影响评估的鲁棒性，从而证实了此前关于算法分配难民的研究成果。