2025深度学习发论文&模型涨点之------因果机器学习
因果推断与机器学习的结合是一种跨学科的研究方法，旨在通过融合因果推断的理论框架和机器学习的强大数据分析能力，揭示变量之间的因果关系，并从复杂数据中提取有价值的因果信息。因果推断专注于识别和量化变量之间的因果效应，而机器学习则擅长处理大规模、高维数据，并从中发现复杂的模式和关系。两者的结合不仅能够提高因果效应估计的准确性，还能在数据驱动的决策过程中提供更可靠的依据。
我整理了一些因果机器学习【**论文+代码】**合集，需要的同学公人人人号【AI创新工场】自取。
论文精选
论文1：
Nature子刊\] Improving the accuracy of medical diagnosis with causal machine learning 利用因果机器学习提高医学诊断的准确性 **方法** 反事实推断：将医学诊断重新定义为一个反事实推断任务，通过计算疾病对症状的因果影响来提高诊断准确性。 因果诊断算法：提出"预期失效"（Expected Disablement）和"预期充分性"（Expected Sufficiency）两种反事实诊断度量方法，用于替代传统的基于关联性的诊断方法。 贝叶斯网络：使用贝叶斯网络作为疾病模型，结合因果推断框架，量化疾病与症状之间的因果关系。 临床案例测试：通过1671个临床案例测试验证算法的有效性，与44名医生的诊断结果进行对比。  **创新点** 因果推断的应用：首次将因果推断引入医学诊断领域，解决了传统关联性诊断方法的局限性。与传统关联性算法相比，因果诊断算法在诊断准确性上提升了约6.74%（从72.52%提升到77.26%），特别是在罕见病诊断中表现出色，对罕见病和非常罕见病的诊断准确率分别提高了29.2%和32.9%。 反事实诊断度量：提出的"预期失效"和"预期充分性"两种度量方法，能够更准确地识别导致症状的疾病，显著提升了诊断的准确性和可靠性。 模型的通用性：该算法可以直接应用于现有的贝叶斯诊断模型，无需对疾病模型进行重新训练，具有很强的通用性和可扩展性。  **论文2：** \[Nature子刊\] Causal machine learning for predicting treatment outcomes 因果机器学习用于预测治疗结果 **方法** 因果推断框架：提出了一种基于潜在结果框架的因果推断方法，用于估计个体化治疗效果。 异质性治疗效应（CATE）估计：开发了多种因果ML方法，包括元学习器和模型特定方法，用于估计异质性治疗效应。 不确定性量化：引入了贝叶斯方法和共形预测等技术，为治疗效果估计提供了不确定性量化。 临床数据应用：结合临床试验数据和真实世界数据（如电子健康记录）生成临床证据，支持临床决策。  **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细的支持。与传统统计方法相比，因果ML在处理高维数据和复杂疾病动态方面具有显著优势。 不确定性量化：提供了治疗效果估计的不确定性量化，这对于临床决策中的风险评估至关重要。例如，因果森林方法能够提供严格的不确定性估计，显著提高了决策的可靠性。 临床应用的可行性：通过在多个临床案例中的验证，证明了因果ML方法在真实世界数据中的有效性和可行性，特别是在处理罕见疾病和长期结果方面。  **论文3：** B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding B-Learner：在隐藏混杂因素下对异质性因果效应的准最优界限估计 **方法** 元学习器设计：提出了一种名为B-Learner的元学习器，用于在存在隐藏混杂因素的情况下估计条件平均处理效应（CATE）的上下界。 Neyman正交估计方程：利用Neyman正交估计方程，结合伪结果回归，提高估计的稳健性和效率。 对比学习策略：通过对比学习策略，将视觉特征转换为更接近文本域的特征，以促进模态对齐。 模型不可知性：B-Learner可以使用任何函数估计器，如随机森林和深度神经网络，具有很强的灵活性。  **创新点** 尖锐界限估计：B-Learner能够提供尖锐的CATE上下界估计，显著提高了估计的精度。在合成数据实验中，B-Learner的均方误差（MSE）与Oracle估计器相当，表明其在估计精度上达到了准最优水平。 稳健性提升：通过Neyman正交估计方程，B-Learner对估计器的偏差具有更高的容忍度，显著提高了算法的稳健性。 灵活性和通用性：B-Learner支持多种估计器的组合使用，包括随机森林和神经网络，使其能够适应不同的数据类型和应用场景。 