{因果}∩{机器学习}领域的必读最新论文与资源

欢迎贡献。灵感来源于 GNNpapers。

目录

1. 综述论文
2. 个体治疗效应
2.1. 异质性治疗效应	2.2. 静态数据
2.3. 时序数据
3. 表征学习
4. 半参数/双重稳健推断
5. 策略学习/因果发现
6. 因果推荐
7. 因果强化学习
8. 因果推断中的特征选择
9. 应用
9.1. 社会科学	9.2. 文本
9.3. 健康
10. 资源
10.1. 研讨会	10.2. 会议论文集
10.3. 代码库	10.4. 基准数据集
10.5. 课程	10.6. 工业界
10.7. 团体	10.8. 列表
10.9. 书籍

综述论文

1. 因果机器学习：综述与开放问题, 2022年. 论文

   Jean Kaddour, Aengus Lynch, Qi Liu, Matt J. Kusner, Ricardo Silva.

2. 异质性治疗效应估计与提升建模的统一综述, ACM 计算机科学评论, 2022年. 论文

   Weijia Zhang, Jiuyong Li, Lin Liu.

3. 迈向因果表征学习, IEEE, 2021年. 论文

   Bernhard Schölkopf, Francesco Locatello, Stefan Bauer, Nan Rosemary Ke, Nal Kalchbrenner, Anirudh Goyal, Yoshua Bengio。

4. 利用数据学习因果关系的综述：问题与方法, ACM, 2020年. 论文

   Ruocheng Guo, Lu Cheng, Jundong Li, P. Richard Hahn, Huan Liu。

5. 用于政策评估的机器学习与因果推断, KDD, 2015年. 论文

   Susan Athey。

个体治疗效应

异质性治疗效应

1. Transformer能否成为强大的治疗效应估计器？, arXiv, 2022年. 论文 代码

   Yi-Fan Zhang, Hanlin Zhang, Zachary C. Lipton, Li Erran Li, Eric P. Xing。

2. 异质性治疗效应的非参数估计：从理论到学习算法, AISTATS, 2021年. 论文

   Alicia Curth, Mihaela van der Schaar。

3. 面向结构化干预的因果效应推断, NeurIPS, 2021年. 论文 代码

   Jean Kaddour, Yuchen Zhu, Qi Liu, Matt J. Kusner, Ricardo Silva。

4. 基于解耦潜在因子的治疗效应估计, AAAI, 2021年. 论文 代码

   Weijia Zhang, Lin Liu, Jiuyong Li。

5. 随机实验中异质性治疗效应的通用机器学习推断, arXiv, 2020年. 论文

   Victor Chernozhukov, Mert Demirer, Esther Duflo, Iván Fernández-Val。

6. 异质性治疗效应的准最优估计, arXiv, 2019年. 论文

   Xinkun Nie, Stefan Wager。

7. 广义随机森林, 统计学年鉴, 2019年. 论文

   Susan Athey, Julie Tibshirani, Stefan Wager。

8. 使用工具变量的异质性治疗效应机器学习估计, NeurIPS, 2019年. 论文

   Vasilis Syrgkanis, Victor Lei, Miruna Oprescu, Maggie Hei, Keith Battocchi, Greg Lewis。

9. 用于因果推断的正交随机森林, PMLR, 2019年. 论文

   Miruna Oprescu, Vasilis Syrgkanis, Zhiwei Steven Wu。

10. 基于元学习的异质性治疗效应机器学习估计方法, PNAS, 2019年. 论文

    Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, Bin Yu。

11. 学生心态干预效果异质性的机器学习分析, 观察性研究, 2019年. 论文

    Fredrik D. Johansson。

12. 利用随机森林进行异质性治疗效应的估计与推断, JASA, 2018年. 论文

    Stefan Wager, Susan Athey。

13. 异质性治疗效应估计的局限性：实用算法设计指南, PMLR, 2018年. 论文

    Ahmed Alaa, Mihaela Schaar。

14. 利用神经网络进行因果效应估计的迁移学习, arXiv, 2018年. 论文

    Sören R. Künzel, Bradly C. Stadie, Nikita Vemuri, Varsha Ramakrishnan, Jasjeet S. Sekhon, Pieter Abbeel。

15. 递归分割法用于异质性因果效应的估计, PNAS, 2016年. 论文

    Susan Athey, Guido Imbens。

16. 用于估计异质性因果效应的机器学习方法, ArXiv, 2015年. 论文

    Susan Athey, Guido W. Imbens。

静态数据

1. VCNet与函数型目标正则化：用于学习连续处理的因果效应, ICLR, 2021年。论文 代码

   Lizhen Nie, Mao Ye, Qiang Liu, Dan Nicolae。

2. 用于估计个体剂量-反应曲线的反事实表示学习, AAAI, 2020年。论文 代码

   Patrick Schwab, Lorenz Linhardt, Stefan Bauer, Joachim M. Buhmann, Walter Karlen。

3. 利用生成对抗网络估计连续值干预的效果, NeurIPS, 2020年。论文 代码

   Ioana Bica, James Jordon, Mihaela van der Schaar。

4. 从网络观测数据中学习个体因果效应, WSDM, 2020年。论文 代码

   Ruocheng Guo, Jundong Li, Huan Liu。

5. 用于估计个体化治疗效果的重叠表示学习, AISTATS, 2020年。论文

   Yao Zhang, Alexis Bellot, Mihaela van der Schaar。

6. 为治疗效果估计而改进的神经网络, arXiv, 2019年。论文 代码

   Claudia Shi, David M. Blei, Victor Veitch。

7. 高维数据下的项目评估与因果推断, arXiv, 2018年。论文

   Alexandre Belloni, Victor Chernozhukov, Ivan Fernández-Val, Christian Hansen。

8. GANITE：利用生成对抗网络估计个体化治疗效果, ICLR, 2018年。论文 代码

   Jinsung Yoon, James Jordon, Mihaela van der Schaar。

9. 通过对抗学习在潜在混杂因素模型中估计个体治疗效果, arXiv, 2018年。论文

   Changhee Lee, Nicholas Mastronarde, Mihaela van der Schaar。

10. Deep IV：一种灵活的反事实预测方法, PMLR, 2017年。论文

    Uri Shalit, Fredrik D. Johansson, David Sontag。

11. 基于深度潜在变量模型的因果效应推断, arXiv, 2017年。论文 代码

    Christos Louizos, Uri Shalit, Joris Mooij, David Sontag, Richard Zemel, Max Welling。

12. 估计个体治疗效果：泛化界与算法, PMLR, 2017年。论文 代码

    Uri Shalit, Fredrik D. Johansson, David Sontag。

时间序列数据

1. 时间序列去混杂器：在存在隐藏混杂因素时估计随时间变化的治疗效果, ICML, 2020年。论文 代码

   Ioana Bica, Ahmed M. Alaa, Mihaela van der Schaar。

2. 通过对抗平衡表示估计随时间变化的反事实治疗结果, ICLR, 2020年。论文 代码

   Ioana Bica, Ahmed M. Alaa, James Jordon, Mihaela van der Schaar。

3. 用于计量经济学中合成控制应用的反事实生成学习, arXiv, 2019年。论文

   Chirag Modi, Uros Seljak。

4. 鲁棒合成控制, JMLR, 2019年。论文

   Muhammad Amjad, Devavrat Shah, Dennis Shen。

5. ArCo：一种针对高维面板时间序列数据的人工反事实方法, 计量经济学杂志, 2018年。论文

   Carlos Carvalho, Ricardo Masini, Marcelo C. Medeiros。

6. 利用递归边际结构网络预测随时间变化的治疗反应, NIPS, 2018年。论文 代码

   Sonali Parbhoo, Stefan Bauer, Patrick Schwab。

表示学习

1. 用于可处理反事实推断的深度结构因果模型, NeurIPS, 2020年。论文 代码

   Nick Pawlowski, Daniel C. Castro, Ben Glocker。

2. NCoRE：用于多种治疗组合的神经反事实表示学习, arXiv, 2021年。论文

   Sonali Parbhoo, Stefan Bauer, Patrick Schwab。

3. 完美匹配：一种利用神经网络学习反事实推断表示的简单方法, arXiv, 2019年。论文 代码

   Patrick Schwab, Lorenz Linhardt, Walter Karlen。

4. 从观测数据中估计治疗效果的表示学习, NeurIPS, 2019年。论文

   Liuyi Yao等。

5. 用于因果迁移学习的不变模型, JMLR, 2018年。论文

   Mateo Rojas-Carulla, Bernhard Schölkopf, Richard Turner, Jonas Peters。

6. 用于反事实推断的表示学习, arXiv, 2018年。论文 代码

   Fredrik D. Johansson, Uri Shalit, David Sontag。

半参数/双重稳健推断

1. 平均处理效应的稀疏性双重稳健推断, arXiv, 2019. 论文

   杰莱娜·布拉迪奇、斯特凡·韦格尔、尹楚·朱。

2. 用于估计与推断的深度神经网络, arXiv, 2019. 论文

   马克斯·H·法雷尔、滕远·梁、桑乔格·米斯拉。

3. 基于倾向得分丢弃的深度反事实网络, arXiv, 2017. 论文

   艾哈迈德·M·阿拉、迈克尔·魏茨、米哈埃拉·范德沙尔。

4. 用于处理效应和因果参数的双重/去偏机器学习, arXiv, 2017. 论文

   维克托·切尔诺朱科夫、丹尼斯·切特维里科夫、梅尔特·德米尔尔、埃丝特·杜弗洛、克里斯蒂安·汉森、惠特尼·纽伊、詹姆斯·罗宾斯。

5. 双重稳健的政策评估与优化, 统计科学, 2014. 论文

   米罗斯拉夫·杜迪克、杜米特鲁·埃尔汉、约翰·兰福德、李宏利。

政策学习/因果发现

1. 在未观测混杂下的可微分因果发现, arXiv, 2021. 论文

   罗希特·巴塔查亚、图沙尔·纳加拉詹、丹尼尔·马林斯基、伊利亚·什皮策。

2. 基于注意力机制的卷积神经网络进行因果发现, 机器学习与知识提取, 2019. 论文 代码

   梅克·瑙塔、多伊娜·布库尔、克里斯汀·赛费特。

3. 用于学习解耦因果机制的元迁移目标, arXiv, 2019. 论文

   约书亚·本吉奥、特里斯坦·德勒、纳西姆·拉哈曼、罗丝玛丽·凯、塞巴斯蒂安·拉沙佩尔、奥列克萨·比拉纽克、阿尼鲁德·戈亚尔、克里斯托弗·帕尔。

4. 通过强化学习进行因果发现, arXiv, 2019. 论文

   朱盛宇、陈志唐。

5. CausalGAN：利用对抗训练学习因果隐式生成模型, arXiv, 2019. 论文

   穆拉特·科恰奥卢、克里斯托弗·斯奈德、亚历山德罗斯·G·迪马基斯、斯里拉姆·维什瓦纳特。

6. 学习何时实施治疗的策略, arXiv, 2019. 论文

   聂欣坤、艾玛·布鲁恩斯维尔、斯特凡·韦格尔。

7. 从未知干预中学习神经因果模型, arXiv, 2019. 论文 代码

   南·罗丝玛丽·凯、奥列克萨·比拉纽克、阿尼鲁德·戈亚尔、斯特凡·鲍尔、于戈·拉罗谢尔、克里斯·帕尔、约书亚·本吉奥。

8. 使用领域对抗神经网络进行反事实政策优化, ICML, 2018. 论文

   奥努尔·阿坦、威廉·R·扎梅、米哈埃拉·范德沙尔。

9. 因果多臂老虎机：通过因果推断学习良好干预措施, NIPS, 2016. 论文

   芬尼安·拉蒂莫尔、托尔·拉蒂莫尔、马克·D·里德。

10. 反事实风险最小化：从记录的多臂老虎机反馈中学习, arXiv, 2015. 论文

    阿迪思·斯瓦米纳坦、托尔斯滕·约阿希姆斯。

因果推荐

1. 去混杂推荐系统：一种基于因果推断的推荐方法, arXiv, 2019. 论文 代码

   王一昕、梁大文、洛朗·夏尔林、大卫·M·布莱。

2. 多重原因的优势, arXiv, 2019. 论文

   王一昕、大卫·M·布莱。

评论

3. 评论：关于去混杂推荐系统的反思, arXiv, 2019. 论文

   亚历山大·达穆尔

4. 关于存在未观测混杂时的多原因因果推断：反例、不可能性及替代方案, arXiv, 2019. 论文

   亚历山大·达穆尔

5. 对“多重原因的优势”的评论, arXiv, 2019. 论文

   伊丽莎白·L·奥格本、伊利亚·什皮策、埃里克·J·切特根·切特根。

6. 多重原因的优势：回应奥格本等人（2019）, arXiv, 2019. 论文

   王一昕、大卫·M·布莱。

7. 将推荐视为治疗：去偏学习与评估, PMLR, 2016. 论文

   托比亚斯·施纳贝尔、阿迪思·斯瓦米纳坦、阿舒迪普·辛格、纳文·钱达克、托尔斯滕·约阿希姆斯。

8. 具有非随机缺失数据的协同预测与排序, RecSys, 2009. 论文

   本杰明·M·马林、理查德·S·泽梅尔。

因果强化学习

1. 反事实多智能体策略梯度, AAAI, 2018. 论文

   雅各布·N·福斯特、格雷戈里·法夸尔、特里安塔菲洛斯·阿福拉斯、南塔斯·纳尔德利、希蒙·怀特森。

因果推断中的特征选择

1. 用于双重稳健因果推断的超高维变量选择, 生物计量学, 2022. 论文 代码 演示文稿

   唐丁科、孔德涵、潘文亮、王林波

2. 基于结果自适应的套索：用于因果推断的变量选择, 生物计量学 2017. 论文 视频

   苏珊·M·肖特里德、阿什坎·埃尔特法耶

应用

社会科学

1. 基于双重机器学习的无混杂性假设下的项目评估, 计量经济学期刊, 2022年。论文

   迈克尔·C·克瑙斯。

2. 通过公共土地处置进行国家建设？矩阵补全在反事实预测中的应用, arXiv, 2021年。论文 代码

   杰森·普洛斯。

3. 基于RNN的反事实预测及其在宅地政策和公立教育中的应用, JRSS-C, 2021年。论文 代码

   杰森·普洛斯、曾淑熙。

4. 使用因果森林估计处理效应：一项应用, arXiv, 2019年。论文

   苏珊·艾西、斯特凡·韦格尔。

5. 面板数据情境下因果效应的集成方法, AER P&P, 2019年。论文

   苏珊·艾西、莫森·巴亚蒂、圭多·W·伊姆本斯、钱南·邱。

文本

1. 面向神经机器翻译的反事实数据增强, ACL, 2021年。论文 代码

   刘奇、马特·库斯纳、菲尔·布伦索姆。

2. 万物皆有因：在法律文本分析中利用因果推断, arXIv, 2021年。论文 代码

   小刘、达音、燕松·冯、宇婷·吴、东艳·赵。

3. 语言学属性的因果效应, arXIv, 2021年。论文

   里德·普赖赞特、达拉斯·卡德、丹·朱拉夫斯基、维克托·维奇、达尼亚·斯里达尔。

4. 草图与定制：一种反事实故事生成器, arXIv, 2021年。论文

   郝昌英、庞亮、兰燕燕、王燕、郭家峰、程雪琪。

5. 反事实生成器：一种用于命名实体识别的弱监督方法, EMNLP, 2020年。论文 代码

   曾祥吉、李云良、翟宇辰、张寅。

6. 利用文本嵌入进行因果推断, arXIv, 2019年。论文 代码

   维克托·维奇、达尼亚·斯里达尔、大卫·M·布莱。

7. 反事实故事推理与生成, arXIv, 2019年。论文

   秦连辉、安托万·博塞吕特、阿里·霍尔茨曼、钱德拉·巴加瓦图拉、伊丽莎白·克拉克、叶津·崔。

8. 如何利用文本进行因果推断, arXIv, 2018年。论文

   江美直树、克里斯蒂安·J·方格、贾斯汀·格里默、玛格丽特·E·罗伯茨、布兰登·M·斯图尔特。

健康

1. 具有多水平治疗的观察性研究中的目标学习：对严重精神疾病患者抗精神病药物治疗安全性的评估, arXIv, 2022年。论文 代码

   杰森·普洛斯、马塞拉·霍维茨-莱侬、卡佳·泽列文斯基、托马斯·海斯肯斯、普贾·泰亚吉、贾久·颜、乔迪·迪亚斯、图多尔·克里斯蒂亚-普拉顿、莎伦-莉丝·诺曼德。

资源

研讨会

1. NeurIPS 2021研讨会 链接

2. UAI 2021研讨会 链接

3. KDD 2021研讨会 链接

4. ICML 2021研讨会 链接

5. EMNLP 2021研讨会 链接

6. NeurIPS 2020研讨会 链接

7. NeurIPS 2019研讨会 链接

8. NIPS 2018研讨会 链接

9. NIPS 2017研讨会 链接

10. NIPS 2016研讨会 链接

11. NIPS 2013研讨会 链接

会议论文集

1. PMLR，第6卷：因果关系：目标与评估，2008年12月12日，加拿大惠斯勒 链接

代码库

1. 因果推断360：一个用于从观察性数据中推断因果效应的Python包。 链接

2. WhyNot：一个将因果推断和强化学习工具与一系列复杂模拟器连接起来的Python包 链接

3. EconML：一个用于基于机器学习的异质性处理效应估计的Python包 链接

4. 提升建模与机器学习算法结合的因果推断 链接

基准数据集

1. IHDP、Jobs和News基准数据集 链接

2. 双胞胎数据集 链接

3. 因果关系工作台 链接

课程

1. CS7792 - 反事实机器学习 链接

2. 因果推断导论 链接

3. 机器学习与因果推断：短期课程 链接

4. KDD 2020：讲座式教程：因果推断与机器学习的结合 链接

产业

1. 因果关系与机器学习：微软研究院 链接

团体

1. 因果推断学会 链接

2. 由米哈埃拉·范德沙尔教授领导的研究实验室 链接

列表

1. 利用数据学习因果关系的算法索引 链接

2. 可用于学习因果关系的数据集索引 链接

3. 关于因果推断与语言的论文 链接

书籍

1. 因果机器学习 链接

causal-ml 快速上手指南

注意：您提供的 README 内容实际上是一个因果推断与机器学习（Causal ML）领域的论文与资源列表，而非名为 causal-ml 的具体软件库的安装文档。该列表由社区维护，旨在收录相关前沿研究（如异质性处理效应、表示学习、策略学习等）。

由于列表中包含了多个独立的开源项目（如 TransTEE, SIN, TEDVAE, DRNet, CFRNet 等），每个项目都有独立的环境要求和安装方式，因此不存在统一的 causal-ml 安装包。

本指南将指导您如何基于此资源列表，快速搭建通用的因果推断开发环境，并演示如何使用列表中提到的经典算法库（以 Uber 开源的广泛使用的 causalml 库及列表中常见的 CFRNet 为例）进行快速上手。

---

1. 环境准备

在开始之前，请确保您的系统满足以下基本要求。大多数因果推断深度学习模型依赖 PyTorch 或 TensorFlow。

• 操作系统: Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (建议使用 WSL2)
• Python 版本: 3.7 - 3.9 (部分新模型可能需要 3.10+)
• 前置依赖:
  • pip 或 conda 包管理器
  • GPU 驱动 (可选，但运行深度学习模型如 GANITE, CEVAE 时强烈推荐)

推荐国内加速方案： 使用清华源或阿里源加速 Python 包安装。

# 配置 pip 使用清华源 (临时生效)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

2. 安装步骤

由于 README 是论文列表，您需要根据想复现的具体论文安装对应的库。以下是两种最常见的安装场景：

场景 A：安装通用因果推断库 (推荐新手)

如果您希望快速体验因果推断流程（包含元学习器、森林法等，对应列表中 Susan Athey 等人的工作），推荐安装 Uber 开源的 causalml 库。

# 使用 pip 安装 (推荐国内镜像)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple causalml

# 或者使用 conda
conda install -c conda-forge causalml

场景 B：安装特定深度学习模型 (复现列表中的论文)

列表中许多论文（如 CEVAE, GANITE, CFRNet）提供了独立的 GitHub 代码库。以列表中提到的 CFRNet (Estimating individual treatment effect) 为例：

# 1. 克隆代码库
git clone https://github.com/clinicalml/cfrnet.git
cd cfrnet

# 2. 创建虚拟环境并安装依赖
python -m venv venv
source venv/bin/activate  # Windows 用户请使用: venv\Scripts\activate

# 3. 安装依赖 (通常包含 tensorflow 或 torch)
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r requirements.txt

提示：对于列表中的其他模型（如 TransTEE, SIN），请访问其 README 中提供的 [code] 链接，通常遵循类似的 git clone + pip install -r requirements.txt 流程。

3. 基本使用

以下展示如何使用通用的 causalml 库进行最简单的异质性处理效应 (HTE) 估计。这对应了列表中 "Individual treatment effects" 章节的核心内容。

示例：使用 S-Learner 估计处理效应

此示例模拟数据并使用机器学习模型估计不同特征下的处理效应。

import numpy as np
import pandas as pd
from causalml.inference.meta import LRSRegressor, XGBRegressor
from causalml.dataset import synthetic_data

# 1. 生成合成数据
# n_samples: 样本数, p: 特征数, sigma_y: 噪声标准差
y, X, treatment, _, _, _ = synthetic_data(
    mode=1, 
    n_samples=1000, 
    p=5, 
    sigma_y=0.5
)

# 转换为 DataFrame 方便查看
data = pd.DataFrame(X, columns=[f'feature_{i}' for i in range(X.shape[1])])
data['treatment'] = treatment
data['outcome'] = y

# 2. 初始化模型 (这里使用基于梯度提升树的 S-Learner)
# 也可以使用 LRSRegressor (线性回归), RandomForestRegressor 等
model = XGBRegressor()

# 3. 拟合模型
# outcome: 目标变量, treatment: 处理变量, features: 协变量
model.fit(
    X=data[[f'feature_{i}' for i in range(5)]].values,
    treatment=data['treatment'].values,
    y=data['outcome'].values
)

# 4. 预测个体处理效应 (ITE)
ite = model.predict(
    X=data[[f'feature_{i}' for i in range(5)]].values,
    treatment=data['treatment'].values
)

# 5. 输出结果概览
print("前 5 个样本的个体处理效应 (ITE):")
print(ite[:5])

print(f"\n平均处理效应 (ATE) 估计值: {np.mean(ite):.4f}")

进阶：复现列表中的深度学习方法

若您正在复现列表中的 CEVAE (Causal Effect Inference with Deep Latent-Variable Models)，通常用法如下（假设已安装对应 repo）：

# 伪代码示例，具体取决于各仓库的实现
from cevae import CEVAE 

# 初始化模型
model = CEVAE(input_dim=X.shape[1])

# 训练
model.fit(x=X, t=treatment, y=y, epochs=100)

# 推断反事实结果
y_pred_0, y_pred_1 = model.predict_counterfactuals(X)
ite = y_pred_1 - y_pred_0

---

下一步建议： 浏览您提供的 README 原文，根据您感兴趣的具体研究方向（如 "Temporal data" 或 "Causal recommendation"），点击对应的 [code] 链接进入具体项目的 GitHub 页面，查阅其特定的 README.md 以获取该模型独有的参数配置和高级用法。