🔗 因果推理¶

🧪 ICML2026 · 3 篇论文解读

Causal Fine-Tuning under Latent Confounded Shift: 本文提出 Causal Fine-Tuning (CFT)：在标准 BERT 微调里嵌入一个 SCM 启发的"高级稳定特征 \(C\) + 低级混杂敏感特征 \(\Phi\)"分解，并用 front-door 风格的 do-calculus 调整公式做预测，在文本伪相关注入攻击下显著优于 SFT/SWA/WISE 等单域泛化基线。
Controllable Generative Sandbox for Causal Inference: 本文提出 CausalMix：一个变分生成框架，把数据类型特定的 multi-head decoder + Bayesian Gaussian 混合潜在 prior 与三类可独立调控的因果"旋钮"（overlap \(\alpha(X)\)、CATE 函数 \(\tau(X)\)、未观测混杂 \(\kappa(X,T)\)）联合优化，从而在保持真实数据分布 fidelity 的前提下让用户自由设计 counterfactual benchmark，在 mCRPC（前列腺癌）真实病例上验证 CausalMix 既能高保真复现 mixed-type 表格，又能稳定地按需注入 overlap / confounding / 异质效应，用作 CATE 估计器的可控 stress test。
The (Marginal) Value of a Search Ad: An Online Causal Framework for Repeated Second-price Auctions: 本文把搜索广告的真实价值建模为"赢拍 vs 输拍"的 treatment effect，在重复二价拍卖（SPA）binary 反馈下设计了一个利用支付规则的在线因果学习算法，得到 \(\widetilde\Theta(\sqrt{dT})\) 的极小极大最优 regret，比同设定下的一价拍卖严格更易学。