近期我们针对因果机器学习的前沿成果进行了深度整合，从中筛选出17篇很有参考价值的论文，收录了Nature Genetics、Applied Energy等顶会顶刊上的相关工作，并配套整理了开源代码实现。
这些论文基本覆盖了当前主流方法与技术瓶颈，特别适合正在准备论文的朋友，无论你是想找创新突破口、设计课题方案，还是想复现经典模型，都能提供实质性帮助。
扫描下方二维码，回复「因果机器」
免费获取全部论文合集及项目代码
Causal machine learning for single-cell genomics
内容：本文将因果模型定义为图基模型结合干预模型的组合，剖析单细胞基因组学常用的静态默认cellSCM结构因果模型，从生物学角度指出其忽略时间、无法处理循环调控、把CRISPR、药物扰动简单视作完美干预、独立因果机制假设不成立等固有缺陷，围绕泛化到未知环境、模型可解释性、动力学因果建模三大核心开放问题，探讨干预模型容量调控、分离技术噪声与真实生物信号、主动学习驱动实验设计、隐因果变量推断、先验知识融入、基于随机与常微分方程的因果动力学模型等各类可行技术路线，同时结合单细胞测序只能获取快照数据的现实约束，分析各类方案的优势与现存短板，倡导面向扰动时序观测数据开展模型验证，推动因果机器学习适配单细胞多组学的真实研究场景。
Causal machine learning for predicting treatment
outcomes
内容：本文立足于潜在结果框架，梳理面向医疗场景用于预测治疗结局的因果机器学习研究方法，区分平均、条件平均等不同因果估计量，依托S‑learner、T‑learner、DR‑learner、R‑learner等元学习器以及因果森林等专用模型实现二元、连续干预下异质性治疗效应估计，针对随机对照试验与电子健康记录等真实世界观测数据，强调SUTVA、正性、非混杂性等可识别假设的校验，借助倾向得分分析、因果敏感性分析、反驳检验开展可靠性鲁棒性核查，同时讨论反事实真值缺失带来的评估难题，并给出模型报告、临床转化层面的实操建议，指出不确定性量化、标准化工具与监管规范是该领域待攻克的关键方向。
扫描下方二维码，回复「因果机器」
免费获取全部论文合集及项目代码
Inferring Heterogeneous Treatment Effects of Crashes on Highway
Traffic: A Doubly Robust Causal Machine Learning Approach
内容：本文基于Neyman‑Rubin潜在结果框架构建面向高速公路事故异质性处理效应的因果机器学习分析框架，结合因果图理论提出条件Shapley值指数CSVI完成混杂变量筛选，剔除无效不良变量，采用双重稳健学习DRL，借助网格搜索交叉验证优选随机森林作为基学习器分别拟合倾向得分与结果回归模型，以此估计不同事故类型在不同时空距离、时长条件下对车速的条件平均处理效应，同时设计匹配算法构造近似反事实样本，结合假设检验与敏感性分析开展模型校验，依托真实高速公路多源异构高分辨率交通、事故与道路线形数据完成实验，量化追尾、侧擦、撞物三类事故带来的差异化拥堵传播效应。
Causal Machine Learning for Moderation Effects
内容：本文针对传统组平均处理效应GATE对比易受组间协变量分布差异干扰、难以纯粹解析调节效应的问题，定义平衡组平均处理效应BGATE及其差值ΔBGATE，将ΔGATE分解为直接效应与构成效应，在非混淆识别假设下提出三类估计方案，分别基于双重去偏机器学习DML构建Neyman正交得分函数、采用Auto‑DML借助Riesz表示器规避极端倾向得分带来的估计风险，还设计重加权流程使重加权数据集上的ΔGATE等价于ΔBGATE，从理论证明DML估计量具备√N一致性与渐近正态性，依托蒙特卡洛模拟对比三种方案的有限样本表现，并采用瑞士劳动力市场行政真实数据完成实证分析，区分关联性ΔBGATE与满足额外假设才可得到的因果ΔCBGATE，给出对应的识别条件与估计算法。
扫描下方二维码，回复「因果机器」
免费获取全部论文合集及项目代码
