可信AI领域正诞生新的技术标杆，ICML、NeurIPS顶会近期的集中研究表明，贝叶斯与因果推理的深度融合，已成为解决决策难题的核心方向。此前传统方法一直存在明显短板：纯因果推理模型没法量化不确定性，单一贝叶斯模型又常被数据伪关联带偏，在多因素交织的场景中，决策的可靠性与可解释性始终难以平衡。而贝叶斯框架+因果图建模的新架构彻底改变这一现状，贝叶斯负责精准量化不确定性，因果图则筛选出真实关联。医疗疗效评估中，融合模型较纯因果模型推断误差降32%，适用人群判断准确率提25%；经济政策预测中，它避开数据偏见陷阱，预判精度升18%。

论文er可重点关注动态因果图、低资源学习等方向，我整理了相关顶会/顶刊核心论文，部分还附带复现代码打包免费送，感兴趣的同学gongzhong号 沃的顶会 扫码回复 “贝叶斯因果” 领取

Untangling Sample and Population Level Estimands in Bayesian Causal Inference

文章解析

本文探讨了贝叶斯因果推断中样本层面与总体层面估计量之间的关键区别，指出这两类估计量在识别、建模、计算和解释上的根本差异。例如，样本层面的估计量通常需要跨世界假设来识别，并要求从联合后验分布中显式插补反事实结果；而总体层面的估计量则通常只需参数的后验分布。作者强调应始终从第一性原理出发，明确所关注的是联合后验的哪一个边际分布，并严格遵循贝叶斯定理以避免常见实现错误。文章通过Stan中的模拟示例和附录中的推导进一步阐明这些概念。

创新点

明确区分了贝叶斯因果推断中样本层面与总体层面估计量的概念与识别条件。

指出样本层面估计量需跨世界假设，而总体层面估计量通常不需要。

系统阐述了如何从联合后验的不同边际分布中导出不同类型的因果估计量。

提供了常见的实现错误分类及其纠正方法，包括PATE估计中的后验预测插补误用。

通过Stan代码示例和附录详细说明了正确实现的计算路径。

研究方法

定义样本与总体层面的典型因果估计量并比较其识别假设。

构建包含缺失反事实和总体分布参数的联合后验分布。

从该联合后验中提取不同边际分布以进行不同估计量的推断。

使用合成数据在Stan中实现并对比样本与总体层面的贝叶斯推断过程。

通过理论推导与代码实现结合的方式揭示常见错误根源。

研究结论

样本与总体层面的因果估计量在识别和推断上存在本质差异，不应混淆。

对样本层面估计量的推断必须基于联合后验对反事实的显式插补。

总体层面估计量通常可通过参数后验直接获得，无需完整反事实生成。

实践中常见错误源于对后验分布边际化的误解。

严格遵循贝叶斯原则可有效避免估计偏差和解释错误。

ABC3: Active Bayesian Causal Inference with Cohn Criteria in Randomized Experiments

文章解析

在因果推断中，随机实验虽能有效避免观测研究中的理论问题，但成本较高，因此需要高效的实验设计。本文提出ABC3，一种基于贝叶斯主动学习的因果推断策略。该方法通过最小化条件平均处理效应（CATE）估计误差，等价于最小化集成后验方差（类似Cohn准则）。理论证明ABC3同时最小化处理组与对照组之间的协变量不平衡以及第一类错误概率。实验结果表明ABC3在多个真实数据集上具有最高效率，并验证了其理论性质。

创新点

首次将Cohn准则引入因果推断中的主动学习框架，建立估计误差与集成后验方差的等价关系。

证明ABC3策略不仅能降低估计误差，还能理论保证最小化组间不平衡和第一类错误率。

在不违反因果推断基本假设的前提下实现高效主动采样，避免因依赖结果变量导致的混淆。

提出的方法在随机实验中实现了对个体处理效应估计误差的直接优化。

ABC3兼具理论严谨性与实际高效性，在多数据集上优于现有主动学习策略。

研究方法

采用高斯过程建模潜在结果，构建贝叶斯回归模型用于估计个体处理效应。

定义基于全数据集的最优估计量作为Oracle，使用PEHE度量估计误差。

将最小化预期误差转化为最小化集成预测方差，导出类似于Cohn准则的主动学习策略。

在每一轮主动选择未观测样本及其处理分配，以最大化信息增益。

严格遵循因果推断的独立性假设，仅基于协变量选择样本，不依赖观测结果进行查询决策。

研究结论

ABC3在理论上等价于最小化个体处理效应的估计误差。

ABC3能有效减少处理组与控制组之间的协变量不平衡。

ABC3降低了假设检验中的第一类错误发生概率。

在真实数据上的实验表明ABC3相比其他方法更高效地收敛到真实效应。

所提出的策略在保持因果假设完整性的同时显著提升了实验效率。