标签
本文研究历史A/B测试数据如何能够使用contextual bandits指导自适应实验，提供了一种基于离线策略评估的实用方法论，用于决定何时以及如何部署自适应策略。
本文介绍了ARGUS，一个用于审计气候政策因果评估中识别假设的语言模型管道，与基于关键词的方法相比，展示了改进的缺陷检测能力。
本文提出了一种从观测数据中学习风险评分的方法，该方法对未观测混杂因素具有鲁棒性，采用敏感性分析和Wasserstein分布鲁棒优化。该方法在传统基准和最先进方法上提高了校准性。
本文提出一个因果框架，利用Structural Causal Models来理解数据流中的概念漂移，并提供了一个分类体系和生成器，用于在非平稳环境中模拟和评估漂移事件。
本文证明，对于从稳态数据恢复线性随机动态系统的参数，每个强连通分量仅需一次干预即可，并提出一种递归学习算法。
本文提出了因果充分必要区域解释（SNRE），该框架利用因果推理来学习输入和输出区域，其中成员资格对于模型预测既是充分的又是必要的，从而提高可解释性。
LimiX-2 是一个用于结构化数据的预训练基础模型，它使用上下文机制网络在主要表格基准测试中排名第一，支持多种任务而无需针对特定任务的参数更新。
本文提出反事实边缘化作为测试时评估框架，用于评估机器学习模型对干扰变量（如医学图像分析中的人口统计学）的鲁棒性，采用反事实图像生成和预测平均。
一本由彭丁撰写的免费490页因果推断教科书，涵盖从相关性到纵向数据的各种主题，并附有R代码和数据集。
本文提出了一种溢出感知的多值激活引导方法，以实现LLMs的多元对齐，无需微调或奖励模型即可改进对多个价值维度的控制。
CauseCollab 提出了一种因果统一和模态无关网络，通过将语义因素与模态特定混淆因子解耦，解决异构协同感知中的问题，并在基准数据集上实现了最先进的性能。
Simile 正在构建一个 'What-If Machine' 来模拟现实世界的决策并理解干预的影响，强调因果关系而非相关性。
本文评估了干扰函数的预测误差与因果估计器性能之间的关系，发现预测误差在诸如XGBoost和Double Machine Learning等方法中，并非因果偏差或置信区间覆盖范围的一致性度量。
本文介绍了Causal Foundation Models，该模型利用预训练神经网络，通过上下文学习在不进行微调的情况下估计新数据集上的因果效应，为这一新兴领域提供了实用指南。
这项模拟研究量化了零售通胀估计中的选择偏差，并比较了校正方法，发现在存在严重正值违反的长尾情境中，分层通常优于逆概率加权。
本文介绍了一种基于因果图的注意力机制，以提升检索增强生成（RAG）系统中的检索精度，并在专有知识库的关键词填充机制中显示改进。
介绍CCPL，一种在约束强化学习中处理延迟和随机后果的方法，使用延迟校正的Bellman算子和干预后果网络进行因果归因，并在未知延迟下提供收缩证明。
CLS 引入了一个可扩展的框架，用于动态系统的同步因果网络推断和预测，在基准测试中实现了高保真度重建和准确预测。