超好“水”小论文：因果推断+机器学习！9种创新思路，get到直接毕业！

2025深度学习发论文&模型涨点之——因果推断+机器学习

• 因果推断理论：潜在结果框架和结构因果模型是因果推断的两种基本理论。潜在结果框架假设每个个体都有两种潜在结果，即接受处理和未接受处理时的结果，因果效应就是这两种潜在结果的差异。结构因果模型则通过有向无环图（DAG）来表示变量之间的因果关系。

• 机器学习理论：机器学习包括监督学习、无监督学习、半监督学习和强化学习等类型。监督学习使用标签数据进行训练，无监督学习使用无标签数据进行训练，半监督学习使用部分标签数据进行训练，强化学习通过与环境的互动学习。

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

需要的同学扫码添加我

回复“ 因果推断+机器学习”即可全部领取

论文精选

论文1：

Causal machine learning for predicting treatment outcomes

因果机器学习用于预测治疗结果

方法

• 因果机器学习（Causal ML）：利用因果推断方法，从数据中估计治疗效果，包括疗效和毒性，支持药物评估和安全性分析。

  潜在结果框架（Potential Outcomes Framework）：基于潜在结果框架，定义了平均处理效应（ATE）和条件平均处理效应（CATE），用于评估治疗效果。

  因果图（Causal Graph）：通过因果图表示变量之间的因果关系，帮助理解数据生成机制和假设条件。

  

创新点

• 个体化治疗效果估计：能够估计个体化治疗效果，为临床决策提供更精准的依据，相比传统方法，Causal ML可以更好地处理高维和非结构化数据，如医学图像、文本和时间序列数据。

  处理异质性：有效处理治疗效果的异质性，识别对治疗反应不同的患者亚组，为个性化医疗提供支持。

  数据驱动的决策支持：结合临床试验数据和真实世界数据，如电子健康记录，为临床决策提供更全面的数据支持。

  

论文2：

Improving the accuracy of medical diagnosis with causal machine learning

用因果机器学习提高医疗诊断的准确性

方法

• 因果诊断算法（Causal Diagnostic Algorithms）：将诊断重新定义为反事实推理任务，提出了基于反事实的诊断算法。

  必要和充分因果关系（Necessary and Sufficient Causation）：定义了两种因果关系，用于量化疾病对症状的因果解释能力。

  贝叶斯网络（Bayesian Networks）：使用贝叶斯网络作为疾病模型，结合因果图理论，推导出反事实诊断度量。

  

创新点

• 反事实推理：将诊断任务定义为反事实推理问题，相比传统关联诊断方法，能够更准确地识别疾病对症状的因果解释，诊断准确率从传统方法的72.52%提升到77.26%，在罕见病诊断中提升更为显著，对于非常罕见疾病的诊断准确率提升了32.9%。

  因果定义的诊断：提出了基于因果的诊断定义，更接近临床医生的诊断思维，提高了诊断的准确性和可靠性。

  模型兼容性：提出的算法可以作为现有贝叶斯诊断模型的直接升级，无需改变疾病模型，具有很好的后向兼容性。

  

论文3：

B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding

B-Learner：在隐藏混杂下对异质因果效应的准Oracle界限

方法

• B-Learner元学习器：提出了一种新的元学习器B-Learner，用于在隐藏混杂条件下估计条件平均处理效应（CATE）的界限。

  双重稳健估计方程（Doubly Robust Estimating Equation）：利用部分双重稳健的Neyman正交估计方程，确保估计的稳健性和有效性。

  边际敏感性模型（Marginal Sensitivity Model, MSM）：采用MSM量化隐藏混杂的程度，通过限制处理倾向比来控制混杂的影响。

  

创新点

• 准Oracle性能：B-Learner在估计CATE界限时具有准Oracle性能，即使在存在隐藏混杂的情况下，也能提供有效的估计，其估计误差与Oracle估计相当。

  隐藏混杂的处理：能够有效处理隐藏混杂问题，通过MSM模型量化混杂程度，为实际应用中难以避免的混杂问题提供了解决方案。

  灵活性和通用性：B-Learner可以与任何函数估计器（如随机森林和深度神经网络）结合使用，具有很强的灵活性和通用性。

  

论文4：

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

推断交通事故对高速公路交通的异质性处理效应：一种双重稳健因果机器学习方法

方法

• Neyman-Rubin因果模型（RCM）：采用RCM框架，将交通事故视为“处理”变量，将事故后的速度作为“结果”变量。

  条件Shapley值指数（CSVI）：基于因果图理论，提出CSVI用于筛选不良变量，提高因果效应估计的准确性。

  结构因果模型（SCM）：利用SCM定义因果效应的统计估计量，为因果推断提供理论基础。

  

创新点

• 异质性效应估计：能够估计不同类型交通事故对交通速度的异质性影响，提供更细致的因果效应分析。例如，追尾事故对交通的影响最为严重，其平均速度降低可达15英里/小时，而侧面碰撞事故的影响持续时间最长。

  变量选择优化：通过CSVI方法筛选出对因果推断有显著影响的变量，提高了模型的准确性和效率。在变量选择后，模型的平均绝对误差（MAE）从10.74降低到9.17，均方误差（MSE）从259.12降低到158.94。

  双重稳健性：DRL方法结合了倾向得分匹配和回归模型，即使在存在模型误设的情况下，也能提供稳健的因果效应估计。

  

小编整理了因果推断+机器学习论文代码合集

需要的同学扫码添加我

回复“因果推断+机器学习”即可全部领取