AITOP

5月15日

11:19

arXiv cs.LG@Christopher Stith, Medha Barath, Vahid Balazadeh, Jesse C. Cresswell, Rahul G. Krishnan

精选58

因果推断在多个学科中至关重要，但连续治疗设置（干预变量为连续值）的研究远少于二元治疗。本文提出首个针对连续治疗设置的因果基础模型，通过元学习在未见任务上预测因果效应，无需额外训练。模型设计了一种新的数据生成过程先验，生成丰富的因果训练语料，并训练Transformer利用上下文学习从观测数据重建个体治疗-响应曲线。该模型在个体治疗-响应曲线重建任务上达到最先进性能，超越了专门训练的因果模型。

论文因果推断基础模型连续治疗 Transformer 元学习

推荐理由：连续治疗效应预测是因果推断的难点，做医疗、经济等领域的因果分析团队可以直接用这个基础模型零样本预测，省去大量模型训练成本。

5月11日

11:45

arXiv cs.LG（学术论文）

35

因果推断依赖不可验证的假设，现有敏感性分析框架多关注最坏情况下的结论变化，但往往不切实际。本研究将s-value框架泛化至三种常见因果假设，并提出贝叶斯敏感性价值(BSV)指标。BSV通过蒙特卡洛近似，基于真实世界证据构建先验分布，计算假设违背的期望敏感性。实证表明，最坏情况分析可能依赖违背先验知识的极端假设，而BSV能提供更可信的结论。该框架在糖尿病治疗对体重影响的观察性研究中得到验证，为研究者提供了更稳健的因果推断工具。

论文因果推断贝叶斯方法敏感性分析观测研究机器学习

推荐理由：提出贝叶斯敏感性价值(BSV)方法，解决了传统最坏情况敏感性分析不切实际的问题，为因果推断实践者提供了更符合先验知识的稳健性评估标准。

11:43

arXiv cs.LG（学术论文）

40

本文提出 DR-ME，这是首个半参数高效有限位置测试，用于检测可解释的分布治疗效果。传统的均值比较可能遗漏尾部、众数、离散度或罕见事件概率的变化，而全局核测试无法揭示具体差异位置。DR-ME 通过正交双重稳健核特征，在学习到的结果位置上评估干预核证据，返回因果差异坐标，而非仅给出全局拒绝判断。该方法具有卡方校准、局部功效优化和位置学习准则，实验显示其误差控制良好、功效可与全局测试竞争，并在半合成医学影像研究中定位了分布效应。

论文因果推断分布效应半参数效率双重稳健核测试

推荐理由：这项研究为因果推断中的分布效应分析提供了首个可解释且半参数高效的测试方法，尤其适合需要定位具体差异的应用场景，如精准医疗中不同人群的异质性响应分析。