在线实验中将主动学习与因果推断相结合的一种新方法
内容提要
本文综述因果推断与因果发现的多项研究，涵盖贝叶斯主动学习框架ABCI、非实验设置下连续治疗的直接与溢出效应估计、基于不变因果预测的主动学习A-ICP、基因调控网络学习算法、AIT因果结构识别、因果推断入门综述、认知无线电顺序探测、图神经网络异质干预、粗粒度原因预测及异质网络干扰识别等方法。
延伸解读
主动学习与因果推断的融合价值
文章综述的多项研究显示，主动学习正被用于提升因果推断的效率。ABCI框架通过贝叶斯方法和最大信息设计，从少量样本中同时进行因果图推断和因果推理；A-ICP则利用不变因果预测选择实验，提高因果模型的可识别性。这些方法共同指向一个趋势：在实验成本高昂或数据稀缺的场景下，主动学习能帮助研究者更聪明地选择干预，而非盲目增加样本量。
非实验数据中的干扰与溢出效应
一篇2020年的研究关注非实验设置下的连续治疗，提出广义倾向得分估计器来估计直接效应和溢出效应，并应用于农业市场政策干预。其关键发现是：忽略干扰可能导致政策有效性评估出现向下偏差。这提醒读者，在存在网络干扰或溢出效应的场景中，传统因果推断方法可能低估真实影响，需要专门的方法来校正。
因果发现方法的多样化与适用性
文章涵盖多种因果发现技术，包括基于AIT的快速因果结构识别、基因调控网络学习算法、图神经网络处理异质干预、粗粒度原因预测以及异质网络干扰识别。这些方法各有侧重：有的适用于离散或连续优化，有的针对非高斯数据，有的旨在降低搜索空间。读者可根据数据特性（如是否非高斯、是否含网络干扰）选择合适工具，而非依赖单一方法。
因果推断入门与常见陷阱
一篇2023年的综述为机器学习研究人员和工程师提供了因果推断的起点，强调可交换性、积极性、一致性和无干扰等假设，并分类主动与被动方法。文章特别指出碰撞偏差等常被忽略的方面。这提示读者，应用因果方法时需先检验假设是否成立，否则结论可能不可靠；同时，了解不同方法的假设差异有助于避免误用。
Q&A
ABCI框架是什么？它有什么作用？
ABCI是一种基于贝叶斯方法和高斯过程的主动学习框架，可同时进行因果图推断和因果推理，通过最大信息设计测量，从少量样本中高效准确地学习下游因果查询，并提供良好的预测不确定性估计。
在非实验设置下如何估计连续治疗的直接效应和溢出效应？
可以使用广义倾向得分估计器来估计连续治疗的直接效应和溢出效应。研究表明，忽略干扰可能导致评估政策有效性时出现向下偏差。
A-ICP主动学习框架是如何提高因果模型可识别性的？
A-ICP基于不变因果预测，依靠结构因果模型中干预对稳定集合发挥作用，通过多种干预选择策略有效选择实验，从而提高因果模型的可识别性。实证分析证明其在不同实验环境下均有良好表现。
有哪些算法可以利用观测和介入数据学习基因调控网络？
有两种算法可以利用观测和介入数据学习基因调控网络，它们在无偏性假设下均具有一致性保证，且为非参数方法，适用于非高斯数据。这些算法在模拟数据、蛋白质信号数据和单细胞基因表达数据上进行了性能分析。
基于AIT的因果结构识别方法有什么特点？
基于AIT的方法可以快速识别数据生成过程的基础因果结构，适用于离散和连续优化公式，并在多个模拟到实际数据的基准测试中表现出卓越性能。
因果推断的入门学习资源有哪些？
有一篇综述为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了起点。它阐述了可交换性、积极性、一致性和干扰缺乏等因果认定假设，分类为主动和被动方法，并介绍了随机控制试验、基于赌博机的方法、匹配和逆概率加权等经典和深度学习方法，还提到了碰撞偏差等遗漏方面。
认知无线电网络中如何利用主动学习进行顺序探测？
提出了一种顺序探测方法，允许中央认知无线电网络在主用户保护规范下访问主用户频带，并用二进制ACK/NACK数据包学习主用户干扰约束。在主动学习框架内研究该受限设计问题，采用期望传播方法的最优解，并通过数值模拟演示性能。
如何利用图神经网络解决网络中的异质性干预问题？
提出一种通过结构因果模型解决网络中异质性干预的方法，使用图神经网络估算个体因果效应，以较好地解决同质性影响的偏见问题。
如何降低因果发现中搜索空间的组合爆炸？
提出一种利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大减少计算时间，并根据信心对原因预测进行评分。证明了方法的正确性和渐近一致性，在合成数据上表现出优越性能，并应用于蛋白数据集。
如何识别和表征异质网络干扰以提高A/B测试精确性？
提出一种基于机器学习的方法来识别和表征异质网络干扰，通过引入因果网络模式和透明机器学习模型来建立反映潜在网络干扰模式的最适exposure mapping，为管理网络干扰和提高A/B测试精确性提供了全面的自动化解决方案。
