2025年因果推断与机器学习：突破与应用

近年来，因果推断与机器学习的结合取得了显著进展。从因果效应的识别与估计到异质性分析，再到中介效应和时空干扰的研究，这一领域不断拓展。这种结合不仅提升了因果推断的精度，还为社会科学研究提供了更强大的工具，有助于深入理解复杂社会现象背后的因果机制。

提出因果效应识别的最优实验设计算法，解决干预成本最小化问题，显著提升因果推断效率。

推动了社会科学的实证研究，为政策制定提供了更科学的依据，有助于优化资源分配并提升社会干预的效果。

我整理了10种【机器学习+因果推断】的相关论文，全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “因果ML”领取~

1.Locally Private Causal Inference for Randomized Experiments

文章聚焦随机实验中的局部隐私因果推断，提出不同隐私场景下的推断方法，包括频率主义估计和贝叶斯方法，并通过模拟研究和真实数据分析验证其性能，为处理隐私数据的因果推断提供了有效方案。

• 创新点

1.提出针对不同局部隐私场景的频率主义估计方法，定制隐私机制以达到极小极大最优推断，提升估计效果。

2.开发贝叶斯非参数方法及相应的抽样算法，能有效整合先验知识，在隐私预算紧张时表现出色。

3.在多种隐私场景下进行研究，涵盖联合私有化、定制私有化且已知或未知处理分配概率的情况，拓展了研究边界。

• 研究结论

1.定制隐私机制的估计方法可达到极小极大最优，在不同隐私场景下表现良好，优于简单的联合私有化估计。

2.贝叶斯方法能有效利用先验信息，在隐私预算紧张时，相比频率主义方法具有更小的均方误差和更优的区间估计。

3.模拟研究和真实数据分析验证了所提方法的有效性，但在隐私保护和结果准确性之间存在权衡，未来可进一步优化。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “因果ML”领取~

2.Optimal Experiment Design for Causal E ect Identification

文章围绕因果效应识别的最小成本干预设计问题展开，证明该问题 NP 完全，提出精确算法和启发式算法，通过理论分析和实验评估，为解决此问题提供了有效途径。

• 创新点

1.证明最小成本干预问题的 NP 完全性，并表明近似求解该问题的难度，为研究该问题的复杂性提供理论依据。

2.提出基于最小命中集问题的精确算法，能找到最优解或对数因子近似解，同时给出特殊情况下的多项式时间算法。

3.设计多种多项式时间启发式算法，通过实验验证其在随机图上能获得低遗憾解，并给出平均情况下的遗憾上界。

• 研究结论

1.最小成本干预设计问题在一般情况下是 NP 完全的，难以找到多项式时间的精确算法。

2.提出的算法在解决单 c - 组件和一般子集的因果效应识别的最小成本干预问题上有效，精确算法可求解或近似求解，启发式算法在实际应用中有良好表现。

3.算法性能受图结构、边密度、干预成本等因素影响，在不同情况下应选择合适算法以平衡运行时间和结果的最优性。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “因果ML”领取~

3.Riemannian Bilevel Optimization

文章针对黎曼双级优化问题，提出并分析了 RF²SA 算法，通过将问题转化为单级约束问题，避免使用二阶信息，给出了算法在不同情况下的收敛速率，为相关领域优化提供新方法。

• 创新点

1.提出 RF²SA 算法，利用一阶梯度信息解决黎曼双级优化问题，避免复杂的二阶信息计算，简化了算法实现过程。

2.推导了拉格朗日乘子 λ 的最优增长速率，确保算法在不依赖二阶导数的情况下非渐近收敛到 ε- 平稳点。

3.给出了算法在随机场景下的收敛速率保证，且该速率与欧几里得优化中的预期速率一致，适应了黎曼流形的复杂性 。

• 研究结论

1.RF²SA 算法是一种有效的黎曼双级优化算法，能在避免二阶信息的情况下，收敛到 ε- 平稳点，且在不同噪声条件下均有收敛速率保证。

2.算法的收敛速率在不同噪声场景下有所不同，噪声影响越少收敛越快，在完全确定性场景下收敛速率可达O(k−2/3) 。

3.该算法为解决涉及流形约束的复杂优化挑战提供了几何感知框架，但仍存在迭代复杂度较高等局限性，未来可拓展其应用范围 。

全部论文PDF版可以关注工棕号{AI因斯坦}

回复  “因果ML”领取~

顶会投稿交流群来啦！

欢迎大家加入顶会投稿交流群一起交流~这里会实时更新AI领域最新资讯、顶会最新动态等信息~