因果机器学习是当前AI领域非常热门且有前景的方向！想发论文的伙伴不要错过！

它结合了因果推断和机器学习的核心思想，为解决传统机器学习在可解释性、鲁棒性等方面的局限提供了新方案。这便意味着，以往对这些性能要求高的领域（金融、医学……），都可以用该思路重做一遍，创新空间广阔。

此外，其在解决实际问题中也有非常独特的优势，像是干预效果预估、反事实推理等，实用价值很高！

当下好中稿的方向有：结合医学场景做深化应用、探索因果与深度学习结合、与多模态结合等。为方便大家研究的进行，我给大家准备了12篇必读高质量论文和源码，相信能够给你更多灵感启发！

论文原文+开源代码需要的同学看文末

Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach

内容：这篇文章提出了一种基于因果机器学习的新框架，用于估计不同类型交通事故对高速公路速度的异质性因果影响。研究采用Neyman-Rubin因果模型（RCM）来构建问题，并通过条件Shapley值指数（CSVI）和结构因果模型（SCM）筛选变量和定义因果效应。最终，通过双重稳健学习（DRL）方法结合分类和回归机器学习模型来估计处理效应。实验结果表明，追尾事故对交通拥堵的影响最为严重，侧面碰撞事故的延迟影响时间最长，而与物体碰撞事故在高峰时段的影响最为显著。研究还通过匹配算法生成“反事实结果”来验证方法的准确性和有效性。

Causal machine learning for predicting treatment outcomes

内容：这篇文章讨论了因果机器学习在预测治疗效果中的应用，强调其在评估治疗有效性、支持药物评估和个性化医疗决策中的重要性。文章指出，与传统机器学习不同，因果机器学习能够估计个体化治疗效果，并预测不同治疗方案下的潜在患者结果。它结合了随机对照试验（RCT）和现实世界数据（RWD），如临床登记和电子健康记录，以生成临床证据。此外，文章还探讨了因果机器学习在医学中的工作流程、假设条件、方法选择以及如何可靠地应用于医学实践，并为未来研究和临床转化提出了建议。

Causal Fairness Analysis: A Causal Toolkit for Fair Machine Learning

内容：介绍了一个因果公平性分析框架，旨在理解和解决机器学习决策中的公平性问题。该框架通过因果推断方法，将数据中观察到的差异与生成这些差异的潜在因果机制联系起来，提出了“因果公平性分析的基本问题”。为解决这一问题，作者提出了“公平性地图”（Fairness Map），系统地组织和解释了文献中各种公平性标准之间的关系，并提出了“公平性手册”（Fairness Cookbook），帮助数据科学家评估是否存在差异影响和差异对待。

Machine learning in causal inference for epidemiology

内容：这篇文章讨论了机器学习在流行病学因果推断中的应用，强调了如何将机器学习技术与传统因果推断方法相结合，以解决流行病学研究中的因果效应估计问题。文章指出，传统的参数化模型在高维数据中容易因模型设定错误而导致偏差，而机器学习方法则可以减少这种偏差。作者介绍了三种结合机器学习的因果推断方法：目标最大似然估计（TMLE）、增强逆概率加权（AIPW）和双重/去偏机器学习（DML），这些方法在处理高维数据时表现出色。此外，文章还探讨了如何通过SuperLearner等技术整合多种模型，以提高预测的准确性和稳健性。

码字不易，欢迎大家点赞评论收藏！

关注下方《AI科研技术派》

回复【因果机器学习】获取完整论文

👇