本文提出了一种新的因果推断方法，结合结构性因果模型和图神经网络，以更准确地估计社交网络中的个体治疗效果。实验结果表明，该方法在高维数据和复杂网络中表现优越，有效捕获因果关系并提高因果效应的估计精度。

本文探讨了物理信息的结构性因果模型（PI-SCM）在交通速度预测和流行病传播中的应用，提出了一种自适应推断方法以应对数据变化问题。同时，引入了对标签噪声鲁棒的拟合得分，应用于医学图像分类，显示出优越的预测性能。此外，提出了改进的合拟合预测框架（PLCP），在多个数据集上验证了其在覆盖率和长度方面的优势。

本文介绍了因果机器学习方法，将数据生成过程形式化为结构性因果模型，并从因果的角度探讨了干预和反事实的影响。该方法归类为五类，包括因果监督学习、因果生成建模、因果解释、因果公平性和因果强化学习，并比较了每种类别中的方法。

本文介绍了因果机器学习方法，将数据生成过程形式化为结构性因果模型，并从因果的角度探讨了干预和反事实的影响。该方法归类为五类，包括因果监督学习、因果生成建模、因果解释、因果公平性和因果强化学习，并比较了每种类别中的方法。