跳转至

🔗 因果推理

🧠 NeurIPS2026 · 41 篇论文解读

📌 同领域跨会议浏览: 🎞️ ECCV2026 (3) · 📷 CVPR2026 (4) · 🔬 ICLR2026 (63) · 💬 ACL2026 (7) · 🧪 ICML2026 (19) · 🤖 AAAI2026 (7)

🔥 高频主题: 对抗鲁棒 ×3

B-CALM: Bias-Limited Bayesian Borrowing for RCT-Anchored Treatment Effects under Covariate Mismatch

针对随机对照试验(RCT)样本量有限且观察性研究(OS)存在混杂与协变量部分不匹配的异质性处理效应估计难题,提出贝叶斯校准对齐与借用框架 B-CALM,通过引入基线偏倚与比较偏倚函数将外部借用转化为先验敏感性分析,在理论上证明了信息增益受先验精度严格上界约束的“偏倚受限借用”机制,杜绝了负迁移并维持名义区间覆盖率。

Beyond the Training Distribution: Evaluating Predictions Under Distribution Shift and Selection Bias

针对黑盒预测模型在跨机构部署时同时遭遇的协变量偏移与历史决策诱导的选择性标签偏差,本文提出了首个联合可识别性框架并推导出目标风险的有效影响函数,构建了渐近正态且半参数有效的双重机器学习评估器。

Budgeted Multi-Source Counterfactual Annotation for Off-Policy Evaluation

针对上下文老虎机离线策略评估中历史行为策略覆盖受限的痛点,提出一种在成本与容量约束下的多源反事实标注预算分配框架,从理论上推导了首个标注门槛与四类局部价值区间,并通过主化最小化算法单调优化估计量方差,使 OPE 估计均方误差降低达 20.68%。

Causal Abstractions, Categorically Unified

提出基于马尔可夫范畴(Markov Categories)与自然变换的统一因果抽象代数框架,用严格严谨的范畴图表语言统一并推广了确定性、概率性、变量聚类以及含隐变量混杂图(ADMG)上的因果抽象理论。

Causal Discovery Under Hard Selection Bias: A New Robust Score-Matching Approach

针对观测数据中选择机制未知且任意截断的硬选择偏差难题,本文发现对数密度的 score 函数及其 Jacobian 在截断区域内部具有严格不变性,并据此提出首个基于条件 Hessian 外积矩阵秩检验的通用因果发现算法 CHess,在各类加性噪声模型下均能实现因果骨架与汇节点的稳健辨识。

Causal Discovery via Transformed Low-Rank Quantile Surfaces

提出低秩分位数曲面(LRQS)双变量因果发现框架,通过证明因果方向上经未知单调变换后的条件分位数曲面具有低秩泛型可辨识性,并结合交替保序回归与截断 SVD 实现非参数因果方向判别。

Causal Inference for Sequential Settings under Interference and Latent Confounding

针对同时存在网络干预溢出、时间自相关与低秩潜在混杂的时序观测数据,本文提出一种基于时序最大伪似然估计(MPLE)与交替最小化的可微学习框架,在单条高维轨迹观测下实现了具备非渐近一致性保证的参数估计与广义因果效应推断。

Causal Learning with the Invariance Principle

论文证明了在有向无环图和双射机制假设下,仅需两个辅助环境(自然实验)的不变性约束,即可辨识任意非线性结构因果模型的因果图与函数机制,并首次实现反事实层级的因果可辨识性。

Causal Multi-Task Demand Learning

针对零售定价中因价格决策与未观测需求驱动因素高度相关而导致的跨任务混淆难题,本文提出决策条件掩码结果元学习(DCMOML),通过在条件集中纳入全部内生价格并在局部外生价格对上实施随机化查询与双重结果掩码,实现了对任务特定因果需求参数条件均值的无偏识别与一致估计。

Causal Representation Learning for Generalisable Recommendation

提出面向推荐系统分布偏移的因果表示学习准则,通过在预测目标中惩罚物品表示与用户混杂变量之间的互信息,消除虚假相关通路,在保持离线同分布性能的同时显著提升真实线上分发与随机曝光下的排序泛化能力。

Causal Survival Forests with Negative Controls

将近端因果推断的负控制变量机制与因果生存森林相结合,提出了负控制因果生存森林(NC-CSF),通过奈曼正交化残差构造在存在右删失和未观测混杂的情境下稳健估计异质性因果生存效应。

CausalCompass: Evaluating the Robustness of Time-Series Causal Discovery in Misspecified Scenarios

提出了首个针对时间序列因果发现(TSCD)在建模假设违背情境下的基准评测框架 CausalCompass,覆盖 6 大类 11 种主流算法及 8 类真实误设场景,通过超 11 万次运行揭示了深度学习方法在破损假设下的普遍优势以及标准化预处理对连续优化方法的反直觉增益。

CausalMix: Data Mixture as Causal Inference for Language Model Training

将大语言模型监督微调(SFT)阶段的数据配比优化重构为状态条件下的因果边际收益估计问题,利用双重机器学习(DML)与因果森林剥离数据池内在质量的混杂偏差,实现了无需重新运行代理实验即可跨数据规模、跨模型架构外推的最优数据配比。

Coarsening Linear Non-Gaussian Causal Models with Cycles

本文将因果粗化格结构拓展至含反馈环的线性非高斯因果模型,证明强连通分量划分构成了无环粗化格的结构基底,其凝聚缩减图(Condensation DAG)在观测分布等价类中具有完全不变性,从而实现在三次多项式时间与明确样本复杂度下辨识高维环状系统的低维因果无环图。

Conditional Counterfactual Mean Embeddings: Doubly Robust Estimation and Learning Rates

本文提出将潜在结果的条件反事实分布映射到再生核希尔伯特空间的条件反事实均值嵌入(CCME)框架,通过去偏核特征构建泛函伪结果并设计两阶段元估计器及三类具体估计器,首次给出了显式依赖特征维数与索伯列夫光滑度的有限样本双重鲁棒收敛率。

Conservative Continuous-Time Treatment Optimization

针对非规则采样纵向患者轨迹下的离线治疗优化,本文将患者动力学建模为受控随机微分方程(Controlled SDE),并基于路径空间签名核最大均值差异(Signature-Kernel MMD)构建保守正则化目标,严格控制模型估计偏差对样本外控制策略的剥削。

Controllable Generative Sandbox for Causal Inference

提出了统一真实表格数据保真度与显式因果可控性的变分生成沙箱框架 CausalMix,通过贝叶斯高斯混合先验解耦多模态特征分布,并引入重叠度对数密度比正则与 CATE / 未观测混杂复合约束,为因果评估、超参调优及统计功效分析提供了高保真且真值已知的基准环境。

Controlling for Omitted Variable Bias in Deep Neural Networks

将深度学习中的捷径学习形式化为经典统计学中的遗漏变量偏差,通过冻结主干并对最后一层执行带岭正则化和交叉拟合的加性控制变量重拟合,实现了直接图像效应的无偏估计与边缘化反混杂预测。

Covariate-Adjusted Deep Causal Learning for Heterogeneous Panel Data Models

本文提出了协变量调整深度因果学习框架(CoDEAL),通过前馈深度神经网络剔除复杂的非线性协变量混杂效应,并结合多输出自编码器挖掘面板数据中的非线性潜因子结构,在交错采用设计下实现了高精度的反事实缺失插补与个体异质性 ATT 估计。

DARTS: Targeting Prognostic Covariates in Budget-Constrained Sequential Experiments

针对高维昂贵协变量场景下的序列随机对照试验,提出 DARTS 框架,利用背包组合半多臂老虎机的汤普森采样自适应学习最具预测性的协变量子集并执行再随机化与回归调整,在保证严格因果推断无偏性与渐近覆盖率的前提下显著逼近预知真协变量的 Oracle 估计精度。

Data-Driven Covariate Selection for Nonparametric and Cycle-Agnostic Causal Effect Estimation

证明了基于局部条件独立性与马尔可夫毯搜索的非参数协变量选择方法在包含反馈环路的循环因果模型中同样具备可靠性与完备性,实现了完全无视图结构是否有环的统一因果效应估计。

Debiased Counterfactual Generation via Flow Matching from Observations

本文揭示了观测条件分布与反事实结果分布在支撑集、尾部行为及混杂不变特征上的结构同构性,提出从观测条件分布出发学习“去混杂流(DecFM)”的流匹配框架,并推导了针对数据依赖型基底分布的新型有效影响函数(EIF)去偏梯度估计器与小批量熵最优传输(EOT)扩展,在因果推断基准和高维图像属性重平衡任务上均显著超越现有去偏生成方法。

Generalized Bayes for Causal Inference

针对传统因果贝叶斯推断过度依赖高维冗余分量似然建模的问题,本文提出基于识别驱动损失的广义贝叶斯推断框架,通过在因果目标上直接设定先验并结合奈曼正交损失,实现了对第一阶段冗余估计误差鲁棒且具有严格频率学派覆盖保证的不确定性量化。

Graph Distance Based on Cause-Effect Estimands with Latents

针对含未观测混杂因子的因果图评估难题,本文基于嵌套马尔可夫模型中的固定操作(fixing)与符号规范化规约,提出了首个面向有向无环混合图(ADMG)的因果效应估计量距离度量——固定识别距离(FID)。

Identifying Structural Biases from Causal Mechanism Shifts

本文揭示了潜在混杂与对撞选择偏差在多环境数据中会导致可区分的因果机制联动漂移模式,并提出基于调整互信息与祖先覆盖度的非参数算法 StruBI,实现了对未观测混杂与选择偏差的高精度检测与受影响变量子集恢复。

Impossibility of Distribution-Free Predictive Inference for Individual Treatment Effects

证明了在存在连续协变量与标准因果假设(强可忽略性与重叠性)下,任何无分布假设(distribution-free)的个体处理效应预测集必然退化为平凡集且期望长度发散,并揭示了反事实缺失数据与条件独立性检验困难性之间的内在纽带。

Integrating Background Knowledge for Scalable Causal Discovery

针对传统因果发现算法在融合背景知识时仅停留在后处理阶段、无法降低计算复杂度的瓶颈,本文提出在因果搜索过程中深度融合直接因果背景知识的统一框架,通过剪枝分隔集、跳过已知邻接检验和延迟间隙检验,使全局与局部因果算法的独立性检验次数呈数量级下降,并严格证明了算法的可靠性与完备性。

Just Ramp-Up: Debiasing Regression-based Estimator for A/B Tests under Network Interference

针对网络干扰下 A/B 测试中全局平均处理效应(GATE)严重依赖反事实外推的痛点,本文提出将工业界现成的递进放量(Ramp-Up)多阶段数据进行池化训练,利用宏观流量变化显著放大微观网络暴露方差,从而无需额外实验成本即可大幅消除回归与图神经网络估计器的外推偏差。

learning causal orderings for in-context tabular prediction

提出了 TABORDER 框架,通过无监督的似然最大化目标端到端推断因果拓扑序,并在表格预测中引入因果序约束的列注意力机制与缺失感知不确定性建模,从而在分布偏移和机制干预下保持鲁棒预测。

Learning Deployable Causal Action Geometry under Temporal Non-Stationarity

针对观测时间序列中因时间非平稳导致池化预测反转决策排序的根本缺陷,提出锚定基线漂移并剖面化正向振幅的“可部署因果动作几何”目标与两阶段诚实正交估计器,在淘宝真实定价 A/B 测试中实现 GMV 提升 1.16% 与购买次数提升 1.70%。

MapPFN: Learning Causal Perturbation Maps in Context

MapPFN 是首个用于单细胞因果微扰预测的先验数据拟合网络,通过在合成生物学因果先验上元学习观测与干预分布映射,在测试期仅凭序列化干预上下文即可零样本自适应全新生物学背景与任意基因集。

Offloading Score: Measuring AI Reliance through Counterfactual Workflows

通过构建无AI辅助的反事实人类工作流并计算节省步骤比例,提出过程导向的认知卸载度量指标(Offloading Score),精准量化人机协作中的AI依赖并识别过度依赖边界。

Orthogonal Uplift Learning with Permutation-Invariant Representations for Combinatorial Treatments

针对工业级决策中组合干预策略常被误视作无序类别标签导致样本泛化差与估计偏倚的问题,本文提出了 POUL 框架,通过上下文-动作混合分布的置换不变聚合嵌入策略,并结合因子化正交去偏双重机器学习结构,实现了对长尾与冷启动组合策略的二阶误差鲁棒增益估计。

PAIR-CI: Calibrated Conditional Independence Testing for Causal Discovery with Incomplete Data

针对含缺失值因果发现中“先插补后检验”导致的严重假阳性失准,提出结合多重插补与配对置换交叉验证的非参数条件独立检验方法 PAIR-CI,通过让全模型与剔除候选变量的局部模型在同一插补集上对比以抵消残差偏差,并首次在理论上统合交叉验证与 Rubin 规则方差估计。

Prediction-Intervention Games and Invariant Sets

本文将预测部署后受试个体的策略性响应形式化为结构因果模型(SCM)约束下的斯塔克尔伯格“预测-干预博弈”,证明了基于稳定毯(Stable Blanket)的不变预测器在常见追随者目标下弱占优于经典因果父节点,并在给定强干预图结构条件下达到极小极大最坏情况风险最优。

Querying Counterfactuals on Tissue Graphs with Supervised Disentanglement

提出组织图反事实(Tissue Graph Counterfactuals)框架与双编码器图变分自编码器 Cellina,通过形式化边重连与节点通路扰动两类空间干预,并结合细胞类型分类与空间域对抗解耦,实现了精准的单细胞空间微环境反事实表达预测与亚结构发现。

Reducing Credit Assignment Variance via Counterfactual Reasoning Paths

提出隐式行为策略优化(IBPO),通过同输入下多条推理轨迹的反事实对比与局部修复,在无需逐步标注和额外价值网络的前提下构建过程级隐式优势估计,有效降低信用分配方差并加速长程复杂推理收敛。

SCDM: Scalable Causal Discovery in Nonlinear Temporal Systems with Meta-Learning

SCDM 将非线性多元时间序列的因果发现重构为共享参数的偶发式元学习问题,通过按目标变量子采样构建任务批次、联合优化全局非线性时序预测器与因果强度矩阵,实现了数千变量规模下低显存、高精度的有向因果图重构。

Structure-agnostic Causal Representation Learning

针对因果结构未知时固定不变性约束必然导致预测信号丢失的瓶颈,本文提出无需预设 DAG 的 SaCRL 框架,利用 HSIC 违例指标与自适应 SoftMin 权重联合辨识潜在因果结构并学习对应的不变表示,实现了在合成数据与 DomainBed 上的最优分布外泛化。

Towards Identifiable Latent Additive Noise Models

本文针对现有因果表征学习强函数约束与真实场景难落地的瓶颈,提出利用环境调节的因果影响变化建立潜在加性噪声模型与后非线性模型的分量级可辨识性理论,并给出了基于变分自编码器的轻量实用学习算法与人体动作因果分析实证。

Where Root Cause Analysis Fails: A Retrieval-Reranking Decomposition

本文把根因分析的排名准确率拆成“根因是否进入候选集”和“进入后能否排到前面”,审计四个数据集的六个测试套件,并用多信号检索与单次 LLM 重排序说明两类失败需要不同修复,而不是只增加因果图或推理能力。