发展援助的成本效益分配的因果机器学习
内容提要
本文综述因果机器学习在政策、农业、医疗等领域的应用，强调其提供异质治疗效应估计以辅助决策而非直接决策，提出间接决策下的公平性定义，主张谨慎建模而非传统AI公平性调整，并探讨可持续农业、临床支持及资源分配等方向。
延伸解读
间接决策下的公平性新解
文章指出，因果机器学习在政策制定中通常只提供异质治疗效应估计，辅助决策者而非直接决策，这被称为间接决策。传统的AI公平性调整假设模型直接决策，因此不适用。作者提出，此情境下的公平性应定义为模型能为决策者提供准确信息以做出公正的价值判断。但模型复杂性可能阻碍这一目标，解决之道在于谨慎建模并警惕决策偏差，而非简单套用公平性调整。
个性化可持续农业的实践路径
面对气候变化和人口增长，农业需从碳源转为碳汇。文章将个性化可持续农业定义为条件平均处理效应的估计任务，并利用因果机器学习，结合气候数据、土地利用信息和双重机器学习，估计了立陶宛田间土壤有机碳含量的异质性影响。这为数据驱动的可持续农业提供了视角，有助于扩大全球碳汇，是即将出台政策的重要方向。
因果机器学习在医疗与资源分配中的探索
文章综述了因果机器学习在多个领域的应用。在医疗中，部分概念瓶颈框架将反事实解释作为风险模型的嵌入式属性，辅助临床决策；因果推断融入临床决策支持系统，以应对高维非结构化数据等挑战，并以阿尔茨海默病为例展示优势。在资源分配中，通过引入决策因素和定制化损失函数，直接进行异质因果学习，显著提高了解决方案精度。
Q&A
因果机器学习在政策制定中通常扮演什么角色？
因果机器学习通常用于生成异质治疗效应估计，为决策者提供信息，而不是直接做出决策。政策制定被视为联合决策，模型只具有间接权力。
为什么传统的AI公平性方法不适用于因果机器学习应用？
因为因果机器学习通常使用建模来为最终决策者提供信息（间接决策），而AI公平性方法假设模型直接做出决策（直接决策）。
在间接决策情境下，公平性应该如何定义？
公平性定义为模型能为决策者提供准确做出关于公正政策结果的价值判断所需的信息。但因果机器学习模型的复杂性可能使其难以实现。
如何实现个性化的可持续农业？
将个性化可持续农业定义为条件平均处理效应的估计任务，并使用因果机器学习处理。利用气候数据、土地利用信息和双重机器学习，估计可持续农业实践的异质性影响。
因果机器学习在临床决策支持中有哪些应用和挑战？
应用包括将因果推断融入临床决策支持系统，以解决高维非结构化数据处理、样本推广和时间关系等挑战。以Alzheimer病为例展示了优势。
因果机器学习如何用于资源分配问题？
通过引入决策因素建立机器学习和运营研究之间的桥梁，并设计定制化损失函数对决策因素进行直接异质因果学习，从而显著提高解决方案的精度。
