2025创新点|因果推断Causal inference

2024深度学习发论文&模型涨点之——因果推断

因果推断是统计学和流行病学中的一个重要概念，它涉及到确定一个事件（原因）是否会导致另一个事件（结果）。在科学研究和数据分析中，因果推断旨在揭示变量之间的因果关系，而不仅仅是关联关系。

因果推断的关键要素：

1. 原因（Cause）：被认为可能导致结果的因素。
2. 结果（Effect）：被认为可能由原因引起的结果。
3. 关联（Association）：原因和结果之间的统计关系。
4. 随机化（Randomization）：在实验设计中，随机分配实验对象到不同处理组，以减少偏差和混杂因素的影响。
5. 混杂变量（Confounders）：与原因和结果都相关的变量，可能会扭曲因果关系的观察。
6. 干预（Intervention）：对系统进行的操纵，以观察其对结果的影响。

小编整理了一些因果推断【论文】合集，以下放出部分，全部论文PDF版皆可领取。

需要的同学

回复“因果推断”即可全部领取

论文精选

论文1：

Large Language Models and Causal Inference in Collaboration: A Comprehensive Survey

大型语言模型与因果推断在合作中的综合调查

方法

• 因果推断框架：探讨了如何将因果推断框架应用于大型语言模型（LLMs），以增强模型的预测准确性、公平性、鲁棒性和可解释性。

• LLMs的推理能力评估：通过评估LLMs在理解、处理和提供解决方案方面的能力，来衡量和提高这些模型的推理能力。

• 多模态LLMs的处理：研究了如何处理和扩展LLMs以包含视觉数据，从而构建能够解释和生成多模态内容的更全面的AI系统。

  

创新点

• LLMs推理能力的提升：通过因果推断，LLMs在处理数据中的因果关系方面表现出了显著的改进，这在以往的研究中并未充分探讨。

• 公平性和安全性问题的解决：LLMs在公平性和安全性方面面临挑战，通过因果推断方法，可以更有效地识别和减少模型中的偏见和潜在风险。

• 多模态LLMs的发展：在多模态LLMs领域，LLMs在整合文本和视觉信息方面取得了新进展，这为构建更全面的AI系统提供了新的可能性。

论文2：

Methods in Causal Inference Part 1: Causal Diagrams and Confounding

因果推断方法第一部分：因果图和混杂

方法

• 因果图（DAGs）：使用有向无环图（DAGs）来确定从非实验性观察数据中识别因果效应的可能性和方式。

• 潜在结果框架：基于Neyman-Rubin潜在结果框架，扩展了因果推断的概念，以适应纵向治疗。

• 图形结构规则：提出了五条基本的图形结构规则，用于从数据中识别因果效应。

  

创新点

• 因果图的实用性：提供了实用的技巧和建议，以避免在报告和使用因果图时的常见陷阱。

• 混杂问题的解决：通过图形结构规则，清晰地展示了如何识别和解决混杂问题，提高了因果效应估计的准确性。

• 因果效应的识别：通过因果图，提供了一种系统性的方法来评估从数据中识别因果效应的可能性，这是以往方法中缺乏的。

论文3：

Placebo Tests for Causal Inference

用于因果推断的安慰剂测试

方法

• 安慰剂测试：定义了安慰剂测试作为一种工具，用于评估研究设计相对于某些假设偏离的合理性。

• 测试分类：根据研究设计被改变的方面（结果、处理或人群）以及被测试的假设类型（偏差假设或分布假设），对测试进行了分类。

  

创新点

• 安慰剂测试的系统化：提供了一个全面的框架，明确了安慰剂测试的额外假设，这些假设可能很强，有时类似的假设会支持不同的程序，使研究者能够放宽研究设计的假设，而不仅仅是测试它们。

• 测试结果的解释：通过正式框架，澄清了安慰剂测试结果如何提供关于研究设计假设有效性的信息，这在以往的文献中没有得到充分的解释。

• 研究设计可信度的评估：通过安慰剂测试，可以更准确地评估实证研究设计的可信度，这对于社会科学研究尤为重要。

  

论文4：

Semiparametric Proximal Causal Inference

半参数近端因果推断

方法

• 近端因果推断框架：在Miao, Geng, 和 Tchetgen Tchetgen的基础上，提出了一种新的近端因果推断框架，该框架在测量的协变量不能完美代理混杂机制时，提供了学习因果效应的机会。

• 半参数理论：发展了一种半参数理论，用于近端估计平均处理效应（ATE），包括关键半参数模型的效率界限。

  

创新点

• 非参数近端识别的平均处理效应：提出了一组新的条件，用于非参数近端识别平均处理效应，这在以往的研究中未被充分探讨。

• 半参数效率界限：为ATE的识别函数在两个关键的半参数模型下建立了半参数效率界限，这为半参数模型的选择提供了理论基础。

• 近端双重稳健和局部有效估计器：提出了一类近端双重稳健和局部有效估计器，这些估计器在至少一个模型正确指定的情况下是一致的，但在所有工作模型都正确指定时达到半参数效率界限，这在处理未测量的混杂时提供了新的估计策略。

  

小编整理了因果推断论文代码合集

需要的同学

回复“因果推断”即可全部领取