causal-inference

本文质疑了诸如 Mamba 等模型中的预测瓶颈能够恢复因果结构的说法，并通过一个新的基准测试证明，其性能提升主要归因于混杂因素和鲁棒性伪影，而非真正的因果发现。

本文提出了一种随机因果表征学习框架，以解决个性化医疗中的偏差-精度悖论，并证明了其在重症监护室（ICU）临床决策支持中提高了准确性和可解释性。

本文引入了一个概率图模型框架，以因果方式审核大语言模型（LLM）的安全机制，揭示出由于忽视了语境的毒性，标准的观测指标高估了人口统计学偏差。