机器学习变天了！近来因果机器学习大热，这便意味着机器学习已经从“预测”向“理解”的范式转变。同时，这也是我们发论文、找创新的好时机。
因果机器学习可谓是，提高模型决策科学性和可靠性的“仙丹”！其核心就在于，从数据中挖掘因果关系而非相关关系，这便克服了传统机器学习模型在可解释性、可迁移性、鲁棒性和公平性等方面的局限。
也因此，医疗、金融、交通、工业等领域都离不开它。其在各大顶会顶刊也都是常客，成果颇丰！引入深度学习；与大模型、强化学习等结合，都是当下非常好中稿的方向。
为让大家能够紧跟领域前沿，掌握领域的主流研究方法，我给大家准备了12篇高分论文，开源代码也都附上了！
论文原文+开源代码需要的同学看文末
论文：Nature versus nurture in galaxy formation: the effect of environment on star formation with causal machine learning
内容
该论文探讨了星系形成与演化中“天性”（内部过程）与“养育”（外部环境）的相对重要性，通过因果推断框架和机器学习技术，研究了环境对星系恒星形成率（SFR）的因果影响，基于IllustrisTNG模拟数据，发现环境对SFR的影响是显著的且随时间变化。
论文：Inferring Heterogeneous Treatment Effects of Crashes on Highway Traffic: A Doubly Robust Causal Machine Learning Approach
内容
该论文提出了一种新颖的因果机器学习框架，用于估计不同类型高速公路交通事故对车速的异质性因果影响，基于Neyman-Rubin因果模型（RCM），结合条件Shapley值指数（CSVI）筛选变量，并采用结构因果模型（SCM）定义因果效应的统计估计量。通过双重稳健学习（DRL）方法结合分类和回归机器学习模型，研究估计了交通事故在不同距离和持续时间下的因果效应。
论文：Causal machine learning for predicting treatment outcomes
内容
该论文探讨了因果机器学习在医学领域预测治疗结果的应用。与传统机器学习不同，因果机器学习不仅预测结果，还能估计治疗效果，支持个性化医疗决策，研究强调了因果ML在处理高维数据、估计个体化治疗效果和预测潜在结果方面的优势，并提出了在医学中可靠应用因果ML的建议。
论文：Causal Fairness Analysis: A Causal Toolkit for Fair Machine Learning
内容
该论文提出了一个基于因果推断的框架，旨在理解和解决机器学习系统中的不公平问题。该框架通过因果图和结构因果模型（SCM）将观察到的不公平现象与潜在的因果机制联系起来，提出了“因果公平性分析的基本问题”（FPCFA），并开发了公平性图谱和公平性手册等工具，用于评估和量化不公平现象。
关注下方《人工智能学起来》
回复“因果机器”获取全部论文+开源代码
码字不易，欢迎大家点赞评论收藏