{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,6,15]]，“日期-时间”：“2024-06-15T13:12:14Z”，“时间戳”：1718457134324}，“引用-计数”：175，“发布者”：“计算机械协会（ACM）”，“问题”：“5”，“许可证”：[{“开始”:{“日期-零件”：[2022,5,10]]，”日期-时间“：”2022-05-10T00:00:00Z“，“timestamp”：1652140800000}，“content-version”：“vor”，“delay-in-days”：365，“URL”：“http://www.acm.org\/publications\/policys\/corpyright_policy#Background”}]，“funder”：[{“DOI”：“10.13039\/100000001”，“name”：“国家科学基金会”，“DOI-asserted-by”：“publisher”，“award”：[“IIS-1747614，IIS-2008208，IIS-1934600，IIS-1338167，IIS-1955151“]}]，“content-domain”：{“域”：[“dl.acm.org”]，“crossmark-restriction”：true}，“short-container-title”：[”acm Trans.Knowl.Discov.Data“]，“published-print“：{”date-parts“：[2021,10,31]]}，”abstract“：”几十年来，因果推理是一个跨统计、计算机科学、教育、公共政策和经济学等多个领域的重要研究课题。与随机对照试验相比，由于可获得的数据量大、预算要求低，从观测数据中估计因果关系已成为一个引人注目的研究方向。随着机器学习领域的迅速发展，各种观测数据因果关系估计方法如雨后春笋般涌现。在这项调查中，我们对潜在结果框架下的因果推理方法进行了全面回顾，潜在结果框架是众所周知的因果推理框架之一。根据方法是否需要潜在结果框架的所有三个假设，将其分为两类。对于每个类别，讨论并比较了传统统计方法和最近的机器学习增强方法。文中还介绍了这些方法的合理应用，包括在广告、推荐、医学等方面的应用。此外，还总结了常用的基准数据集以及开源代码，便于研究人员和实践者探索，评估并应用因果推理方法<\/jats:p>“，”DOI“：”10.1145\/3444944“，”type“：”journal-article“，”created“：{”date-parts“：[2021,5,10]]，”date-time“：”2021-05-10T22:24:14Z“，”timestamp“：1620685454000}，”page“：“1-46”，“update-policy”：“http://\/dx.DOI.org\/10.1145\/crossmark-policy”，“源”：“Crossref”，“is-referenced-by-count”：160，“title“：[“因果推理调查”]，“前缀”：“10.1145”，“卷：“15”，“作者”：[{“ORCID”：“http://\/ORCID.org\/00000-0003-3828-796X”，“authenticated-ORCID”：false，“给定”：“六一”，“家庭”：“姚”，“序列”：“第一”，“隶属关系”：[}“名称”：“中国浙江杭州阿里巴巴集团”}]}，{“给定”:“智选”，“家族”：“楚”，“顺序”：“附加”，“附属关系”：[{“名称“美国乔治亚大学，雅典“}]}，{“given”：“Sheng”，“family”：“Li”，“sequence”：“additional”，“affiliation”：[{“name”：“University of Georgia，Athens，Georgia：“美国印第安纳州西拉法叶特普渡大学”}]}，{“given”：“Aidong”，“family”：“Zhang”，“sequence”：“additional”，“affiliation”：[{“name”：“弗吉尼亚大学夏洛茨维尔分校”}]]，“member”：“320”，“published-online”：{“date-parts”：[2021,5,10]]}：“10.1177\/1536867X0400400307”}，{“key”：“e_1_2_1_1_1”，“volume-title”：“Fred Bellott，Jayne Boyd-Zaharias，Jeremy Finn，John Folger，John Johnston，and Elizabeth Word”，“author”：“Achilles C.M.”，“year”：“2008”，“unstructured”：“C.M。阿基里斯、海伦·佩特·贝恩、弗雷德·贝洛特、杰恩·博伊德·扎哈里亚斯、杰里米·芬恩、约翰·福格尔、约翰·约翰斯顿和伊丽莎白·沃德。2008 . 田纳西州\u2019的师生成就比率（STAR）项目。检索自http://\/hdl.handle.net\/1902.1\/10766（2008）。C.M.阿基里斯、海伦·佩特·贝恩、弗雷德·贝洛特、杰恩·博伊德·扎哈里亚斯、杰里米·芬恩、约翰·福尔格、约翰·约翰斯顿和伊丽莎白·沃德。2008年，田纳西州\u2019的学生-教师成就比率（STAR）项目。检索自http://\/hdl.handle.net\/1902.1\/10766（2008）。“}，{”key“：”e_1_1_3_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR42600.2020.00971”}，“key”：“e_2_1_4_1”，“volume-title”：“Alaa and Mihaela van der Schaar”，“author”：“Ahmed”，“year”：“2017”，“unstructured”：“艾哈迈德·M。阿拉和米哈拉·范德沙尔。2017 . 使用多任务高斯过程对个体化治疗效果进行贝叶斯推断。神经信息处理系统进展。I.Guyon、U.V.Luxburg、S.Bengio、H.Wallach、R.Fergus、S.Vishwanathan和R.Garnett（编辑），第30卷。Curran Associates公司。，3424--3432. Ahmed M.Alaa和Mihaela van der Schaar。2017.使用多任务高斯过程对个体化治疗效果的贝叶斯推断。神经信息处理系统进展。I.Guyon、U.V.Luxburg、S.Bengio、H.Wallach、R.Fergus、S.Vishwanathan和R.Garnett（编辑），第30卷。Curran Associates，Inc.，3424--3432.“}，{“key”：“e_1_2_1_5_1”，“volume-title”：“具有辍学倾向的深层反事实网络。CoRR abs \/1706.05966”，“author”：“Alaa Ahmed M.”，《年份》：“2017”，“非结构化”：“Ahmed M.Alaa，Michael Weisz，and Mihaela van der Schaar.2017。具有辍学倾向的深层反事实网络。CoRR abs \/1706.05966（2017）。arxiv:1706.05966 http://\/arxiv.org\/abs\/1706.05966-Ahmed M.Alaa、Michael Weisz和Mihaela van der Schaar。2017年，具有辍学倾向的深度反事实网络。CoRR abs\/1706.05966（2017年）。arxiv:1706.05966 http://arxiv.org/abs\/1706.05966“}，{“key”：“e_1_2_1_6_1”，“首页”：“1031”，“文章标题”：“低出生体重的成本”，“卷”：“120”，“作者”：“Almond Douglas”，“年份”：“2005”，“非结构化”：“Douglas Almond，Kenneth Y.Chay，and David S。李。2005 . 低出生体重的代价。《经济学季刊》120，3（2005），1031-1083。道格拉斯·阿蒙德（Douglas Almond）、肯尼思·查伊（Kenneth Y.Chay）和大卫·S·李（David S.Lee）。2005年，低出生体重的代价。《经济学季刊》120，3（2005），1031--1083。“，“Journal-title”：“经济学季刊”}，{“key”：“e_1_1_7_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1038\/nmeth.3587“}，”{“key”：”e_1_i_1_8_1“，”unstructured“：”Anonymous.2021。用真实世界的证据进行持续终身因果推断。提交给学习代表国际会议。检索自https:\/\/openreview.net\/forum？id=IOqr2ZyXHz1匿名。2021.使用真实世界证据进行持续终身因果推断。提交给学习代表国际会议。检索自https:\/\/openreview.net\/forum？id=IOqr2ZyXHz1“}，{“key”：“e_1_2_1_9_1”，“volume-title”：“第32届AAAI人工智能会议”，“author”：“Atan Onur”，《非结构化》：“Onur Atan，James Jordon，and Mihaela van der Schaar.2018。深度治疗：使用神经网络从观测数据中学习最佳个性化治疗。在第32届AAAI人工智能会议上。Onur Atan、James Jordon和Mihaela van der Schaar。2018.深度治疗：使用神经网络从观测数据中学习最佳个性化治疗。在第32届AAAI人工智能会议上。“}，{”key“：”e_1_2_1_10_1“，”volume-title“：”从观测数据中学习最优策略。arXiv预印本arXiv:1802.08679“，”author“：”Atan Onur“，“year”：“2018”，“unstructured”：“Onur Atan，William R.Zame，and Mihaela van der Schaar.2018。从观测数据中学习最优策略。arXiv预印arXiv:1802.08679（2018）。Onur Atan、William R.Zame和Mihaela van der Schaar。2018年，从观测数据中学习最佳政策。arXiv预印arXiv:1802.08679（2018）。“｝，｛”key“：”e_1_2_1_11_1“，”doi断言“：”publisher“，”doi“：”10.1073\/pnas.1510489113“｝，｛”key“：”e_1_2_1_12_1“，”首页“：”1“，”文章标题“：”估计异质因果效应的机器学习方法“，”卷“：”1050“，”作者“：”Athey Susan“，”年份“：”2015“，”非结构化“：”Susan Athey和Guido W“。伊姆本斯。2015年。估计异质因果效应的机器学习方法。统计1050，5（2015），1--26。苏珊·雅西（Susan Athey）和吉多·伊姆本斯（Guido W.Imbens）。2015.估计异质因果效应的机器学习方法。统计1050，5（2015），1--26.“，”journal-title“：”Statistics“}，{”key“：”e_1_1_13_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/00273171.2011.568786”}，“key”：“e_1_i_14_1”，“doi-assert-by”：“publisher”，”doi“：”10.1111\/j.1541-0420.2005.00377.x“}”，{“key“:”e_2_1_15_1“”，“volume-title”：“决策理论：动态规划和顺序决策导论”，“作者”：“Bather John”，“年份”：“2000年”，“非结构化”：“John Bather”。2000 . 决策理论：动态规划和顺序决策导论。John Wiley&Sons公司John Bather。2000.决策理论：动态规划和顺序决策导论。John Wiley&Sons，Inc.“}，{“key”：“e_1_2_1_16_1”，“doi断言”：“crossref”，“非结构化”：“Shai Ben David John Blitzer Koby Crammer and Fernando Pereira。2007。领域适应的表示分析。神经信息处理系统进展。137--144. Shai Ben-David约翰·布利泽·科比·克拉默（John Blitzer Koby Crammer）和费尔南多·佩雷拉（Fernando Pereira）。2007.领域适应表征分析。神经信息处理系统进展。137--144.“，”DOI“：”10.7551\/mitpress\/7503.003.0022“}，{”key“：”e_1_2_1_17_1“，”DOI-asserted-by“：”publisher“，“DOI”：“10.1109\/tpami.2013.50”}，“key”：“e_1_i_1_18_1”，“volume-title”：“第37届国际机器学习会议论文集”，“卷”：“119”，”author“：”Bica Ioana“，”unstructured“：”Ioana Bica，Ahmed M。阿拉和米哈拉·范德沙尔。2019.时间序列解构：在存在潜在混杂因素的情况下估计治疗效果。第37届机器学习国际会议论文集，第119卷。PMLR，884--895。Ioana Bica、Ahmed M.Alaa和Mihaela van der Schaar。2019.时间序列解构：在存在潜在混杂因素的情况下估计治疗效果。第37届机器学习国际会议论文集，第119卷。PMLR，884--895.“}，{“key”：“e_1_2_1_19_1”，“首页”：“12”，“文章标题”：“上下文盗贼算法的实用评估和优化”，“卷”：“1050”，“作者”：“Bietti Alberto”，“年份”：“2018”，“非结构化”：“阿尔贝托·比埃蒂（Alberto Bietti）、阿列克·阿加瓦尔（Alekh Agarwal）和约翰·朗福德（John Langford）。2018 . 上下文盗贼算法的实际评估和优化。统计1050（2018），12。阿尔贝托·比埃蒂（Alberto Bietti）、阿列克·阿加瓦尔（Alekh Agarwal）和约翰·朗福德（John Langford）。2018.上下文盗贼算法的实际评估和优化。统计1050（2018），12.“，”journal-title“：”Statistics“}，{”key“：”e_1_1_20_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1073\/pnas.1510506113”}，“key”：“e_1_i_1_21_21_1”，“doi-assert-by”：“publisher”，”doi“：”10.1080\/01621459.1972.10482387“}”，{“key“:”e_2_1_22_1“，“doi”：“10.1145\/3240323.3240360”}，{“键”：“e_1_2_1_23_1”，“doi-asserted-by“：”publisher“，”doi“：”10.1023\/A:1010933404324“}，{“key”：“e_1_2_1_24_1”，“volume-title”：“分类和回归树”，“author”：“Breiman Leo”，“unstructured”：“Leo Breiman.2017。分类和回归树。劳特利奇。利奥·布雷曼（Leo Breiman）。2017.分类和回归树。劳特利奇。“}，{”key“：”e_1_1_25_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1016\/S0022-3476（05）80896-0”}，“key”：“e_2_1_26_1”，“doi-assert-by”：“publisher”，”doi“：”10.1111\/j.1467-6419.2007.00527.x“}、{”密钥“：”e_1_27_1“、”volume-title“：”动态治疗方案的统计方法“，”author“：”Chakra borty Bibhas“，”非结构化“：”Bibhas Chakraborty。2013.动态治疗方案的统计方法。斯普林格。比巴斯·查克拉波蒂（Bibhas Chakraborty）。2013.动态治疗方案的统计方法。斯普林格。“}，{”key“：”e_1_1_28_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1146\/annurev-statistics-022513-115553”}，“key”：“e_2_1_29_1”，“volume-title”：“第31届AAAI人工智能会议”，“author”：“Chang Yale”，“unstructured”：“Yale Chang and Jennifer G.Dy.2017。反事实推理的信息子空间学习。在第31届AAAI人工智能会议上。Yale Chang和Jennifer G.Dy，2017年。反事实推理的信息子空间学习。在第31届AAAI人工智能会议上。“}，{”key“：”e_1_2_1_30_1“，”unstructured“：”Huigang Chen Totte Harinen Jeong-Yoon Lee Mike Yung and Zhenyu Zhao.2020。因果ML：用于因果机器学习的Python包。arxiv公司：cs。CY\/2002.11631陈慧刚Totte Harinen Jeong-Yoon Lee Mike Yung和Zhao Zhenyu。2020年。CausalML：用于因果机器学习的Python包。arxiv:cs公司。CY\/2002.11631“}，{”key“：”e_1_2_1_31_1“，”首页“：”507“，”article-title“：”贪婪搜索的最优结构识别“，”volume“：“3”，”author“：”Chickering David Maxwell“，”year“：”2002“，”unstructured“：”David Maxwell Chickering.2002.贪婪搜索的最佳结构识别.机器学习研究杂志3（2002）, 507 -- 554 . 大卫·麦克斯韦（David Maxwell Chickering），2002年。贪婪搜索的最优结构识别。《机器学习研究杂志》3（2002），507--554.“，”Journal-title“：”Journal of Machine Learning Research“}，{”key“：”e_1_2_1_32_1“，”doi-asserted-by“：”publisher“，“doi”：“10.24963\/ijcai.2018\/282”}，“key”：“e_1_I_1_33_1”，“volume-title”：“McCulloch”，“author”：“Chipman Hugh A.”，“year”：“2007”，“unstructured”：“Hugh A.Chipman，Edward I。乔治和罗伯特·E。麦卡洛赫。2007 . 贝叶斯集成学习。神经信息处理系统进展。265--272. 休·A·奇普曼（Hugh A.Chipman）、爱德华·I·乔治（Edward I.George）和罗伯特·E·麦库洛赫（Robert E.McCulloch）。2007年，贝叶斯集成学习。神经信息处理系统进展。265--272.“}，{”key“：”e_1_2_1_34_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1214\/09-AOAS285”}，“key”：“e_1_i_1_35_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3340531.3412037“}、{”key：“e_i_1_36_1”、“doi-aserted-by”“：”publisher“，”doi:“10.1093\/biomet\/asn055“}，{”key“：”e_1_2_1_37_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1002\/（SICI）1097-0258（19981015）17:19<2265:：AID-SIM918>3.0.CO；2-B“}，{“key”：“e_1_1_38_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1016\/j.jeconom.2019.0.014“}”，{”key“：”e_1_cu1_39_1“，”doi-assert-by“：”publisher“，“doi”：“10.1080\/01621459.1999.10473858”}，“key 2317331982“}，{”key“：”e_1_2_1_41_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1093\/biomet\/asx009“}，{“key”：“e_1_2_1_42_1”，“doi-asserted-by”：“publisher”，”doi“：“10.1214\/18-STS667”}，“key“：”e_1_i_1_43_1“，”volume-title“：”第28届国际机器学习会议论文集.1097--1104“，”作者“：”Dud_00edk Miroslav“，“年份”：“2011”，“非结构化”：“Miroslav Dud\u00edk、John Langford和Lihong Li。2011 . 强有力的政策评估和学习。第28届机器学习国际会议论文集。1097--1104 . Miroslav Dud\u00edk、John Langford和Lihong Li.2011年。强有力的政策评估和学习。在第28届国际机器学习大会论文集上。1097--1104.“}，{”key“：”e_1_2_1_44_1“，”volume-title“：”Stewart“，”author“：”Egami Naoki“，”year“：”2018“，”unstructured“：”Naoki Egami，Christian J Fong，Justin Grimmer，Margaret e.Roberts，and Brandon M.Stewart.2018.如何使用文本进行因果推断。arXiv预印本arXiv:1802.02163（2018）Naoki Egami、Christian J Fong、Justin Grimmer、Margaret E.Roberts和Brandon M.Stewart。2018.如何使用文本进行因果推理。arXiv预印arXiv:1802.02163（2018）。“}，{”key“：”e_1_1_45_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/01621459.2018.1476246”}，“key”：“e_2_1_47_1”，“doi-assert-by”：“publisher”，”doi“：”10.1214\/17-AOAS1101“}”，{.x“}，{”键“：”e_1_2_1_49_1“，”doi-asserted-by“：”出版商“，”doi“：”10.1177\/0002716203254879“}，{“key”：“e_1_2_1_50_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1214\/aos\/1176350369“}”，{”key“：”e_1_i_1_51_1“，”首页“：”405“，”article-title“：“多元匹配方法的比较：结构、距离和算法”，“volume”：”2“，”author“：”Gu Xing Sam“，“year”：“1993”，“unstructured”：“Xing Sam-Gu and Paul R。罗森鲍姆。1993 . 多元匹配方法的比较：结构、距离和算法。计算与图形统计杂志2，4（1993），405--420。顾兴三和保罗·R·罗森鲍姆。1993.多元匹配方法的比较：结构、距离和算法。《计算与图形统计杂志》2，4（1993），405--420.“，”Journal-title“：”Journal of Computational and Graphical Statistics“}，{“key”：“e_1_1_52_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1145\/3397269“}”，{”key“：”e_1_i_1_53_1“，“volume-title”：“2020年SIAM国际数据挖掘会议记录，SDM。SIAM，271--279“，“作者”：“郭若成”，“年份”：“2019”，“非结构化”：“如成郭，李俊东，刘欢。2019 . 利用网络观测数据对治疗分配函数进行反事实评估。《2020年SIAM国际数据挖掘会议论文集》，SDM。暹罗，271-279。郭若成、李俊东和刘欢。2019.利用网络观测数据对治疗分配功能进行反事实评估。《2020年SIAM国际数据挖掘会议论文集》，SDM。SIAM，271--279.“}，{”key“：”e_1_2_1_54_1“，”volume-title“：”从网络观测数据中学习个体治疗效果。arXiv预印本arXiv:1906.03485“，”author“：”郭若成“，”year“：”2019“，”unstructured“：”如成Guo，Jundong Li，and Huan Liu.2019。从网络观察数据中学习个人治疗效果。arXiv预印本arXiv:1906.03485（2019）。郭若成、李俊东和刘欢。2019.从网络观测数据中学习个体治疗效果。arXiv预印本arXiv:1906.03485（2019）。“}，{”key“：”e_1_2_1_55_1“，”volume-title“：”Murray“，”author“：”Hahn P.Richard“，”year“：”2019“，”unstructured“：”P.Richan Hahn，Vincent Dorie，and Jared S.Murray，2019.大西洋因果推理会议（acic）数据分析挑战2017。arXiv预印arXiv:1905.09515（2019）。P.理查德·哈恩（P.Richard Hahn）、文森特·多丽（Vincent Dorie）和杰瑞德·穆雷（Jared S.Murray）。2019.2017年大西洋因果推断会议（acic）数据分析挑战。arXiv预印arXiv:1905.09515（2019）。“}，{”key“：”e_1_1_56_1“，”first-page“：”965“，”article-title“：”因果推理的贝叶斯回归树模型：“正则化、混淆和异质效应”，“volume”：“15”，“author”：“Hahn P.Richard”，“year”：“2017”，“unstructured”：“P.Richan，Jared S。穆雷和卡洛斯·卡瓦略。2017 . 因果推理的贝叶斯回归树模型：正则化、混淆和异质效应。贝叶斯分析15，3（2020），965--1056。P.Richard Hahn、Jared S.Murray和Carlos Carvalho。2017.因果推断的贝叶斯回归树模型：正则化、混杂和异质效应。Bayesian Analysis 15，3（2020），965--1056.“，“journal-title”：“Bayesia Analysis”}，{“key”：“e_1_2_1_57_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1093\/biomet\/asn004“}，”{“key”：”e_1_i_1_58_1“，”volume-title“：”第34届国际机器学习大会第70卷“，”author“：”Hartford Jason“，”年份：“2017”，“unstructured”：“杰森·哈特福德（Jason Hartford）、格雷格·刘易斯（Greg Lewis）、凯文·莱顿·布朗（Kevin Leyton-Brown）和马特·塔迪（Matt Taddy）。2017 . 深度IV：反事实预测的灵活方法。第34届国际机器学习大会第70卷。1414--1423. 杰森·哈特福德（Jason Hartford）、格雷格·刘易斯（Greg Lewis）、凯文·莱顿·布朗（Kevin Leyton-Brown）和马特·塔迪（Matt Taddy）。2017年，Deep IV：反事实预测的灵活方法。第34届国际机器学习大会第70卷。1414--1423.“}，{”key“：”e_1_2_1_59_1“，”doi-asserted-by“：”publisher“，“doi”：“10.24963\/ijcai.2019\/815”}，“key”：“e_1_i_1_60_1”，“doi-assert-by”：“publisher”，”doi“：”10.1111\/1467-937X.00044 cgs.2010.08162“}，{”key“：”e_1_2_1_62_1“，”unstructured“：”Patrik O。霍耶·多米尼克·詹金·乔里斯·穆伊杰·乔纳斯·彼得斯和伯恩哈德·施瓦尔科普夫（Bernhard Sch\u00f6lkopf）。2009年，具有加性噪声模型的非线性因果发现。神经信息处理系统进展。689年至696年。Patrik O.Hoyer Dominik Janzing Joris M.Mooij Jonas Peters和Bernhard Sch\u00f6lkopf。2009年，使用加性噪声模型进行非线性因果发现。神经信息处理系统进展。689--696.“}，{”key“：”e_1_1_63_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1198\/01621458000000292”}，“key”：“e_2_1_64_1”，“doi-assert-by”：“publisher”，”doi“：”10.1093\/biostatistics\/3.2.179“}”，{mpr013“}，{”key“：”e_1_2_1_66_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1111\/rssb.12027“}，{”key“：”e_1_2_1_68_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1162\/003465304323023651”}，“key”：“e_1_i_1_69_1”，“volume-title”：“Rubin”，”author“：”Imbens Guido W.“，”year“2015”，“unstructured”：“Guido W。Imbens和Donald B。鲁宾。2015年。统计、社会和生物医学科学中的因果推断。剑桥大学出版社。Guido W.Imbens和Donald B.Rubin，2015年。统计、社会和生物医学科学中的因果推断。剑桥大学出版社。“}，{”key“：”e_1_2_1_70_1“，”volume-title“：”机器学习国际会议3020--3029“，”author“：”Johansson Fredrik“，”year“：”2016“，”unstructured“：”弗雷德里克·约翰逊（Fredrik Johansson）、乌里·沙利特（Uri Shalit）和大卫·桑塔格（David Sontag）。2016 . 学习反事实推理的表征。在机器学习国际会议上。3020--3029 . 弗雷德里克·约翰逊（Fredrik Johansson）、乌里·沙利特（Uri Shalit）和大卫·桑塔格（David Sontag）。2016.反事实推理的学习表征。在机器学习国际会议上。3020--3029.“}，{”key“：”e_1_2_1_71_1“，”volume-title“：”学习加权表示法以实现跨设计的泛化。arXiv预印本arXiv:1802.08598“，”author“：”Johansson Fredrik D.“，”year“：”2018“，”unstructured“：”Fredrik D.Johansso，Nathan Kallus，Uri Shalit，and David Sontag.2018。学习加权表示法以实现设计的通用化。arXiv预印arXiv:1802.08598（2018）。弗雷德里克·约翰逊（Fredrik D.Johansson）、内森·卡卢斯（Nathan Kallus）、乌里·沙利特（Uri Shalit）和大卫·桑塔格（David Sontag）。2018.学习加权表示法，以便在设计中进行推广。arXiv预印arXiv:1802.08598（2018）。“｝，｛”键“：”e_1_2_1_72_1“，”非结构化“：”Judea Pearl。2012。朱迪娅·珀尔谈潜在结果。检索自http://\/concausiness.cs.ucla.edu\/blog\/index.php\/2012\/12\/03\/judea-pearl-on-potential-outcomes\/。朱迪娅·珀尔。2012年，《朱迪亚·珀尔关于潜在结果》。检索自http://\/concausiness.cs.ucla.edu\/blog\/index.php\/2012\/12\/03\/judea-pearl-on-potential-outcomes\/。“}，{”key“：”e_1_2_1_73_1“，”volume-title“：”Aahlad Manas Puli，and Uri Shalit“，“author”：“Kallus Nathan”，“year”：“2018”，“unstructured”：“Nathan Kallus，Aahad Manas Puri，and Uri-Shalit.2018.通过实验基础消除隐藏的混淆。神经信息处理系统进展。10888--10897。内森·卡卢斯（Nathan Kallus）、阿赫拉·玛纳斯·普利（Aahad Manas Puli）和乌里·沙利特（Uri Shalit）。2018年，通过实验接地消除隐藏的混淆。神经信息处理系统进展。10888--10897.“}，{”key“：”e_1_2_1_74_1“，”unstructured“：”Nathan Kallus和Masatoshi Uehara.2019。用于强化学习的本质有效稳定且有界的非策略评估。神经信息处理系统进展。3320到3329之间。Nathan Kallus和Masatoshi Uehara。2019.强化学习的本质有效稳定和有界的非政策评估。神经信息处理系统进展。3320--3329.“}，{”key“：”e_1_2_1_75_1“，”unstructured“：”Nathan Kallus和Angela Zhou.2018。令人困惑的稳健政策改进。神经信息处理系统进展。9269--9279. 内森·卡卢斯和安吉拉·周。2018年，混乱——稳健的政策改进。神经信息处理系统进展。9269--9279.“}，{”key“：”e_1_1_76_1“，”doi-asserted-by“：”publisher“，“doi”：“10.18653\/v1\/2020.acl-main.474”}，“key”：“e_2_1_77_1”，“doi-assert-by”：“publisher”，”doi“：”10.1016\/j.brat.2019.103412“}145\/3219819.3220082“}，{”key“：”e_1_2_1_79_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3097983.3098032“}，{“key”：“e_1_2_1_80_1”，“volume-title”：“第31届AAAI人工智能会议”，“author”：“Kuang Kun”，“year”：“2017”，“unstructured”：“Kun Kuang、Peng Cui、Bo Li、Meng Jiang、Shiqiang Yang和Fei Wang。2017 . 数据驱动变量分解的治疗效果评估。在第31届AAAI人工智能会议上。Kun Kuang、Peng Cui、Bo Li、Meng Jiang、Shiqiang Yang和Fei Wang。2017年，采用数据驱动变量分解进行治疗效果评估。在第31届AAAI人工智能会议上。“}，{”key“：”e_1_2_1_81_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1073\/pnas.1804597116”}，“key”：“e_1_i_1_82_1”，“unstructured”：“Matt J.Kusner Joshua Loftus Chris Russell和Ricardo Silva。2017。反事实公平。神经信息处理系统进展。4066--4076. 马特·库斯纳（Matt J.Kusner）、约书亚·洛夫特斯·克里斯·罗素（Joshua Loftus Chris Russell）和里卡多·席尔瓦（Ricardo Silva）。2017.反事实公平。神经信息处理系统进展。4066--4076.“}，{”key“：”e_1_1_83_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3328526.3329558”}，“key”：“e_2_1_84_1”，“doi-assert-by”：“publisher”，”doi“：”10.1111\/1467-985X.00154“}、{”密钥“：”e_1_2_1_85_1“、”doi-aserted-by：“publiser”、“doi“”：”10.1371 \/journal.pone。0018174“}，{“键”：“e_1_2_1_86_1”，“卷标”：“通过对抗性学习评估潜在混淆模型中的个体治疗效果。arXiv预印本arXiv:1811.08943“，“作者”：“Lee Changhee”，“年份”：“2018”，“非结构化”：“Changhee Lee，Nicholas Mastronarde，and Mihaela van der Schaar。2018年。通过对抗性学习评估潜在混杂模型中的个体治疗效果。arXiv预印arXiv:1811.08943（2018）。Changhee Lee、Nicholas Mastronarde和Mihaela van der Schaar。2018年。通过对抗性学习评估潜在混杂模型中的个体治疗效果。arXiv预印本arXiv：1811.08943（2018）。“}，{”key“：”e_1_1_87_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/01621459.2016.1260466”}，“{”密钥“：”2_2_1_88_1“、”卷标签“：”勘探与开发在线交易研讨会2。19-36“，“作者”：“李丽红”，“年份”：“2012年”，“非结构化”：“李丽红、朱伟、约翰·朗福德、泰索普·穆恩、王选慧。2012 . 使用广义线性模型对上下文盗贼算法进行无偏离线评估。勘探与开发在线交易研讨会2。19--36 . 李丽红（Lihong Li）、朱伟（Wei Chu）、约翰·朗福德（John Langford）、泰苏·文（Taesup Moon）和王轩辉（Xuanhui Wang）。2012.使用广义线性模型对上下文盗贼算法进行无偏见的离线评估。勘探与开发在线交易研讨会2。19-36.”}，{“key”：“e_1_2_1_89_1”，“unstructured”：“Sheng Li and Yun Fu.2017。基于平衡非线性表示的治疗效果估计匹配。神经信息处理系统进展。929年至939年。盛莉和云浮。2017年，平衡非线性表征匹配治疗效果评估。神经信息处理系统进展。929--939.“}，{”key“：”e_1_2_1_90_1“，”volume-title“：”第25届国际人工智能联合会议.3768--3774“，”author“：”Li Sheng“，”year“：”2016“，”unstructured“：”Sheng Li、Nikos Vlassis、Jaya Kawale和Yun Fu。2016 . 通过降维匹配来估计数字营销活动中的治疗效果。在第25届国际人工智能联合会议上。3768--3774 . Sheng Li、Nikos Vlassis、Jaya Kawale和Yun Fu。2016年，通过降维进行匹配，以评估数字营销活动中的治疗效果。在第25届国际人工智能联合会议上。3768--3774.“}，{”key“：”e_1_2_1_91_1“，”unstructured“：”Bryan Lim.2018。使用循环边际结构网络预测治疗反应。神经信息处理系统进展。7483--7493. 布莱恩·利姆（Bryan Lim）。2018年。使用循环边际结构网络预测治疗反应。神经信息处理系统进展。7483--7493.“}，{”key“：”e_1_2_1_92_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1002\/widm.8”}，“key”：“e_1_i_1_93_1”，“unstructured”：“Christos Louizos Uri Shalit Joris M.Mooij David Sontag Richard Zemel和Max Welling.2017。深层潜在变量模型的因果推理。神经信息处理系统进展。6446--6456. Christos Louizos Uri Shalit Joris M.Mooij David Sontag Richard Zemel和Max Welling。2017年，使用深度潜在变量模型进行因果推断。神经信息处理系统进展。6446--6456.“}，{”key“：”e_1_2_1_94_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/01621459.2019.1660173”}，“key”：“e_1_i_1_95_1”，“volume-title”：“第二十二届学习理论会议”，“author”：“Mansour Yishay”，“year”：“2009”，“unstructured”：“Yishay Mansour、Mehryar Mohri和Afshin Rostamizadeh。2009 . 领域适应：学习边界和算法。在第22届学习理论会议上。Yishay Mansour、Mehryar Mohri和Afshin Rostamizadeh。2009。领域自适应：学习边界和算法。在第22届学习理论会议上。“}，{”key“：”e_1_1_96_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1111\/1467-9868.00389”}，“key”：“e_2_1_97_1”，“doi-assert-by”：“publisher”，”doi“：”10.1002\/sim.2022“}”，{“key”：“e_1_2_1_99_1”，“volume-title”：“非均匀处理效应的准有序估计。arXiv预印本arXiv:1712.04912“，“作者”：“聂新坤”，“年份”：“2017”，“非结构化”：“倪新坤和斯特凡·瓦格。2017年，异质处理效应的准有序估计。arXiv预印arXiv:1712.04912（2017）。聂欣坤（Xinkun Nie）和瓦格（Stefan Wager）。2017年，异质处理效应的准有序估计。arXiv预印arXiv:1712.04912（2017）。}，{“key”：“e_1_2_1_100_1”，“volume-title”：“反事实VQA：从因果角度看语言偏见。CoRR abs \/2006.04315”，“author”：“牛玉雷”，“年份”：“2020”，“非结构化”：“牛玉雷、唐开华、张汉旺、陆志武、冼世华和纪荣文。2020。反事实的VQA：对语言偏见的因果分析。CoRR abs\/2006.04315（2020）。arxiv:2006.04315 https:\/\/arxiv.org\/abs\/2006.04315牛玉磊、汤开华、张汉旺、卢志武、华贤生和文继荣。2020年。反事实VQA：从因果关系看语言偏见。CoRR abs \/2006.04315（2020）。arxiv:2006.04315 https:\/\/arxiv.org\/abs\/2006.04315“}，{“key”：“e_1_1_101_1”，“doi-asserted-by”：“publisher”、“doi”：“10.1214\/14-STS501”}、{“密钥”：“e_1_2_1_102_1”、”doi-assert-by“：”publisher“，”doi“：”10.1093\/biomet\/82.4.669“}”，{”key“：”e_2_1_103_1“，“volume-title”：“因果关系”：模型、推理和推理。”，“作者”：“珍珠朱迪亚”，“年份”：“2000年”，“非结构化“：”朱迪亚·珀尔。2000 . 因果关系：模型、推理和推理。第29卷。斯普林格。朱迪娅·珀尔。2000.因果关系：模型、推理和推断。第29卷。斯普林格。“}，{”key“：”e_1_2_1_104_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1214\/09-SS057”}，“key”：“e_1_i_1_105_1”，“unstructured”：“Judea Pearl.2009。因果关系。剑桥大学出版社。朱迪娅·珀尔。2009年因果关系。剑桥大学出版社。“}，{”key“：”e_1_2_1_106_1“，”volume-title“：”第二十六届人工智能不确定性会议论文集.417-424“，”author“：”Pearl Judea“，”year“：”2012“，”unstructured“：”朱迪娅·珀尔。2012 . 关于一类危害效应估计的偏差放大变量。第二十六届人工智能不确定性会议论文集。417--424 . 朱迪娅·珀尔。2012年，关于一类危害效应估计的偏倚放大变量。第二十六届人工智能不确定性会议论文集。417--424.“}，{”key“：”e_1_2_1_107_1“，”volume-title“：”智能系统中的概率推理：合理推理网络“，”author“：”Pearl Judea“，”unstructured“：”Judea Pearl.2014。智能系统中的概率推理：合理推理网络。爱思唯尔。朱迪娅·珀尔。2014.智能系统中的概率推理：合理推理网络。爱思唯尔。“}，{”key“：”e_1_1_108_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/s41237-018-0051-2”}，“key”：“e_2_1_109_1”，“doi-assert-by”：“publisher”，”doi“：”10.1515\/jci-2013-0007“}”，{键“：”e_1_2_1_111_1“，”卷时间“：”非保单政策评估的资格跟踪”，“作者”：“Precup Doina”，“年份”：“2000年”，“非结构化”：“Doina Precup。2000.非政策政策评估的资格跟踪。计算机科学系教师出版丛书（2000），80。多伊娜·普雷库普。2000.非政策政策评估的资格跟踪。计算机科学系教员出版物系列（2000年），80.“}，{”key“：”e_1_1_112_1“，”doi-asserted-by“：”publisher“，“doi”：“10.18653\/v1\/N18-1146”}，“key”：“e_2_1_113_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/3269206.3269267“}s41060-016-0032-z“}，{“键”：”e_1_2_1_115_1“，”doi asserted by“：”publisher“，”doi“：”10.18653\/v1\/D9-1596“}，{“key”：“e_1_2_1_116_1”，“unstructured”：“Microsoft Research。2019。EconML:用于基于ML的异构治疗效果估计的Python包。检索自https:\/\/github.com\/microsoft\/EconML。版本0.x。Microsoft Research。2019.EconML：基于ML的异质治疗效果评估的Python包。检索自https:\/\/github.com/microsoft\/EconML。版本0.x.“}，{“key”：“e_1_2_1_117_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1214\/07-STS227D“}”，{”key“：”e_1_i_118_1“，”doi-assert-by“：”publisher“，“doi”：“10.1007\/9781-4419-9076-1_11”}，“key“:”e_2_1-119_11“，”doi-asserted-by“”：”publicher“，”doi:“10.1080\/01621459.199 4.10476818“}，{”key“：”e_1_2_1_120_1“，”doi-asserted-by“：”publisher“，“doi”：“10.2307\/1912705“}，{“key”：“e_1_1_121_1”，“doi-asserted-by”：“publisher”，”doi“：”10.1080\/01621459.1987.10478441“}”，{”key“：”e_2_1_122_1“，”doi-assert-by“：”publisher“，\/01621459.1984.10478078“}，{”key“：”e_1_2_1_124_1“，”首页“：”33“，”article-title“：”使用包含倾向得分的多元匹配抽样方法构建对照组“，”volume“：”39“，”author“：”Rosenbaum Paul R.“，”year“：”1985“，”unstructured“：”Paul R Rosenbaom和Donald B.Rubin“。1985 . 使用包含倾向得分的多元匹配抽样方法构建对照组。《美国统计学家》39，1（1985），33-38。保罗·罗森鲍姆（Paul R.Rosenbaum）和唐纳德·鲁宾（Donald B.Rubin），1985年。使用包含倾向得分的多元匹配抽样方法构建对照组。《美国统计学家》39，1（1985），33-38.“，”journal-title“：”The American Statististian“}，{”key“：”e_1_1_125_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3041021.3054190”}，“key”：“e_2_1_126_1”，“doi-assert-by”：“publisher”，”doi“：”10.2307\/2529684在随机和非随机研究中估计治疗的因果效应。《教育心理学杂志》66，5“，“作者”：“鲁宾·唐纳德·B”，“年份”：“1974年”，“非结构化”：“唐纳德·鲁宾。1974年。在随机和非随机研究中估计治疗的因果效应。《教育心理学杂志》66，5（1974），688。唐纳德·鲁宾（Donald B.Rubin），1974年。在随机和非随机研究中估计治疗的因果效应。《教育心理学杂志》66，5（1974），688.“}，{”key“：”e_1_2_1_128_1“，”doi-asserted-by“：”publisher“，“doi”：“10.2307\/2533160”}，“key”：“e_1_i_1_129_1”，“doi-assert-by”：“publisher”，”doi“：”10.1080\/01621459.2000.10474233“}”，{7\/CCM.0b013e31820a92c6“}，{“键”：“e_1_2_1_131_1”，“volume-title“：“通过伪标签消除推荐系统中的偏见。arXiv预印本arXiv:1910.01444“，“作者”：“Saito Saita”，“年份”：“2019”，“非结构化”：“Yuta Saito。2019.通过伪标签消除推荐系统中的偏见。arXiv预印arXiv:1910.01444（2019）。尤塔·齐藤（Yuta Saito）。2019.通过伪标签消除推荐系统中的偏见。arXiv预印本arXiv:1910.01444（2019）。“}，{”key“：”e_1_1_132_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1002\/pds.3506”}，“key”：“e_2_1_133_1”，“doi-assert-by”：“publisher”，”doi“：”10.1080\/01621459.1999.10473869“}”，{年份”：“2016年”，“非结构化”：“托比亚斯·施纳贝尔（Tobias Schnabel）、阿迪斯·斯瓦米纳坦（Adith Swaminathan）、阿舒代普·辛格（Ashudeep Singh）、纳文·钱达克（Navin Chandak）和托尔斯滕·约阿希姆斯（Thorsten Joachims）。2016 . 治疗建议：减少学习和评估。在机器学习国际会议上。1670--1679 . 托比亚斯·施纳贝尔（Tobias Schnabel）、阿迪斯·斯瓦米纳坦（Adith Swaminathan）、阿舒代普·辛格（Ashudeep Singh）、纳文·钱达克（Navin Chandak）和托尔斯滕·约阿希姆斯（Thorsten Joachims）。2016.治疗建议：借记学习和评估。在机器学习国际会议上。1670--1679.“}，{”key“：”e_1_2_1_135_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1609\/aaaai.v34i04.6014”}，“key”：“e_1_i_136_1”，“volume-title”：“完美匹配：用神经网络学习反事实推理表征的简单方法。arXiv预印本arXiv:1810.00656”，“author”：“Schwab Patrick”，“年份”：“2018”，“非结构化”：“帕特里克·施瓦布、洛伦兹·林哈特和沃尔特·卡伦。2018.完美匹配：一种使用神经网络学习反事实推理表示的简单方法。arXiv预印arXiv:1810.00656（2018）。帕特里克·施瓦布（Patrick Schwab）、洛伦斯·林哈特（Lorenz Linhardt）和沃尔特·卡伦（Walter Karlen）。2018.完美匹配：使用神经网络学习反事实推理表征的简单方法。arXiv预印arXiv:1810.00656（2018）。“}，{”key“：”e_1_1_137_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/CVPR.2019.00681”}，“key”：“e_2_1_138_1”，“首页”：“359”，“文章标题”：“我们能否从临床数据中学习个体水平的治疗策略”，“卷”：“21”，“作者”：“Shalit Uri”，“年份”：“2019”，”非结构化“：”乌里·沙利特。2019 . 我们可以从临床数据中学习个体水平的治疗政策吗？生物统计学21，2（2019），359--362。DOI:https:\/\/DOI.org\/10.1093\/biostatistics\/kxz043 10.1093\/biosstatistics乌里·沙利特。2019.我们能否从临床数据中了解个体水平的治疗政策？生物统计学21，2（2019），359--362。DOI:https:\/\/DOI.org\/10.1093\/biostatistics\/kxz043“，”journal-title“：”biostatistics“}，{“key”：“e_1_1_139_1”，“volume-title”：“第34届国际机器学习会议-第70卷”，“author”：“Shalit Uri”，“year”：“2017”，“unstructured”：“Uri Shalit，Fredrik D。约翰逊和大卫·桑塔格。2017 . 估计个体治疗效果：推广范围和算法。第34届国际机器学习大会第70卷。3076--3085. 乌里·沙利特（Uri Shalit）、弗雷德里克·约翰逊（Fredrik D.Johansson）和大卫·桑塔格（David Sontag）。2017.估计个体治疗效果：推广界限和算法。第34届国际机器学习大会第70卷。3076--3085.“｝，｛“key”：“e_1_2_1_140_1”，“doi由”断言：“publisher”，“doi”：“10.1177\/004912411404820”｝，｛“key”：“e_1_2_1_141_1”，“非结构化”：“Amit Sharma和Emre Kiciman。2019。DoWhy：用于因果推理的Python包。检索自https:\/\/github.com/microsoft\/dowhy。阿米特·夏尔马和埃姆雷·基西曼。2019.DoWhy：用于因果推断的Python包。检索自https:\/\/github.com/microsoft\/dowhy。“}，｛”键“：”e_1_2_1_142_1“，”非结构化“：”Eli Sherman和Ilya Shpitser。2018。从相关数据中识别和估计因果关系。神经信息处理系统进展。9424--9435. Eli Sherman和Ilya Shpitser。2018年，从相关数据中识别和估计因果关系。神经信息处理系统进展。9424--9435.“}，{”key“：”e_1_2_1_143_1“，”unstructured“：”Y.Shimoni C.Yanover e.Karavani和Y.Goldschmnidt.2018。因果推理分析绩效评估的基准框架。ArXiv预印本ArXiv:1802.05046（2018）。Y.Shimoni C.Yanover E.Karavani和Y.Goldschmnidt。2018年，因果推理分析绩效评估基准框架。ArXiv预印本ArXiv:1802.05046（2018）。“｝，｛”键“：”e_1_2_1_144_1“，”非结构化“：”Ilya Shpitser。2015。链图模型的隔离图和边缘。神经信息处理系统进展。1720--1728. 伊利亚·施皮策。2015.链图模型的分离图和边缘。神经信息处理系统进展。1720--1728.“}，{”key“：”e_1_2_1_146_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1091\/mbc.9.12.3273”}，“key”：“e_1_i_1_147_1”，“volume-title”：“预测和搜索”，“author”：“Spirtes Peter”，“unstructured”：“Peter Spirtess，Clark N.Glymour，Richard Scheines，and David Heckerman.2000。因果、预测和搜索。麻省理工学院出版社。彼得·斯皮特斯（Peter Spirtes）、克拉克·格雷摩尔（Clark N.Glymour）、理查德·谢恩斯（Richard Scheines）和大卫·赫克曼（David Heckerman）。2000.因果关系、预测和搜索。麻省理工学院出版社。“}，{”key“：”e_1_2_1_148_1“，”volume-title“：”Applied Informatics“，”author“：”Spires Peter“，”unstructured“：”Peter Spires and Kun Zhang.2016。因果发现和推理：概念和最近的方法学进展。《应用信息学》第3卷。施普林格，3。彼得·斯皮特斯和张坤。2016年，因果关系发现和推断：概念和最新方法学进展。《应用信息学》第3卷。Springer，3.“}，{”key“：”e_1_2_1_149_1“，”doi-asserted-by“：”crossref“，“unstructured”：“Jerzy Splawa-Neyman Dorota M.Dabrowska和T.P.Speed.1990。概率论在农业实验中的应用。关于原则的论文。第9节统计科学5 4（1990）465--472。Jerzy Splawa-Neyman Dorota M.Dabrowska和T.P.Speed。1990年。关于概率论在农业实验中的应用。关于原则的论文。第9节统计科学5 4（1990）465--472。“，”DOI“：”10.1214\/ss\/117012031“}，”key“：”e_1_2_1_150_1“，”volume-title“：”反事实和因果推断：社会研究的方法和原则“，”author“：”Stephen Morgan“，“unstructured”：“Morgan Stephen and Winship Christopher.2007。反事实和因果推理：社会研究的方法和原则。剑桥大学出版社，英国剑桥。Morgan Stephen和Winship Christopher。2007.反事实和因果推理：社会研究的方法和原则。剑桥大学出版社，英国剑桥。“}，{”key“：”e_1_1_151_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1214\/09-STS313”}，“key”：“e_1_i_152_1”，“volume-title”：“第29届AAAI人工智能会议。297--303”，“author”：“Sun Wei”，“year”：“2015”，“unstructured”：“孙伟、王鹏远、尹大伟、杨健和张毅。2015年。通过稀疏加性模型进行因果推断，并应用于在线广告。在第29届AAAI人工智能会议上。297--303 . 孙伟、王鹏远、尹大伟、杨健和张毅。2015年，通过稀疏加性模型进行因果推断，并应用于在线广告。在第29届AAAI人工智能会议上。297--303.“}，{”key“：”e_1_2_1_153_1“，”volume-title“：”Le“，“author”：“Sutskever Ilya”，“year”：“2014”，“unstructured”：“Ilya Sutskeve，Oriol Vinyals，and Quoc V.Le.2014.神经网络序列到序列学习.神经信息处理系统进展.3104--3112。Ilya Sutskever、Oriol Vinyals和Quoc V.Le。2014.使用神经网络进行序列到序列学习。神经信息处理系统进展。3104--3112.“}，{”key“：”e_1_2_1_154_1“，”volume-title“：”机器学习国际会议.814-823“，”author“：”Swaminathan Adith“，“年份”：“2015”，”unstructured“：”Adith Swaminathan和Thorsten Joachims。2015年。反事实风险最小化：从记录的盗贼反馈中学习。在机器学习国际会议上。814--823 . Adith Swaminathan和Thorsten Joachims。2015.反事实风险最小化：从记录的盗贼反馈中学习。在机器学习国际会议上。814--823.“}，{”key“：”e_1_2_1_155_1“，”unstructured“：”Adith Swaminathan Akshay Krishnamurthy Alekh Agarwal Miro Dudik John Langford Damien Jose和Imed Zitouni，2017年。板岩建议的非政策评估。神经信息处理系统进展。3632--3642. Adith Swaminathan Akshay Krishnamurthy Alekh Agarwal Miro Dudik John Langford Damien Jose和Imed Zitouni。2017.板岩建议的非政策评估。神经信息处理系统进展。3632--3642.“}，{”key“：”e_1_1_156_1“，”doi-asserted-by“：”publisher“，“doi”：“10.3115\/v1\/P14-1017”}，“key”：“e_2_1_157_1”，“doi-assert-by”：“publisher”，”doi“：”10.1177\/0962280210386779“}、{”密钥“：”e_1_2_1_158_1“、”doi-sserted-by““：”publisher“，”doi:“10.1609\/aaaai.v 34i06.6590“}，{”密钥“：”e_1_2_1_159_1“，”非结构化“：”维克多·维奇·王一新和大卫·布莱。2019.使用嵌入纠正网络中未观察到的混淆。神经信息处理系统进展。13769--13779. 维克托·维奇·王一新和大卫·布莱。2019.使用嵌入纠正网络中未观察到的混淆。神经信息处理系统进展。13769--13779.“}，{”key“：”e_1_2_1_160_1“，”unstructured“：”托马斯·维尔玛（Thomas Verma）和朱迪亚·珀尔（Judea Pearl），1991年。因果模型的等价性和综合。加州大学洛杉矶分校计算机科学系。托马斯·维玛和朱迪亚·珀尔。1991年，因果模型的等效性和综合。加州大学洛杉矶分校计算机科学系。“}，｛”key“：”e_1_2_1_161_1“，”volume title“：”通过深度强化学习进行人类层面的控制。Nature 518，7540“，”author“：”Volodymyr Mnih“，”year“：”2015“，”nonstructured“：”Mnih Volodymyr，Kavukcuoglu Koray，Silver David，A Rusu Andrei，and Veness Joel“。2015。通过深度强化学习进行人性化控制。《自然》5187540（2015），529--533。Mnih Volodymyr、Kavukcuoglu Koray、Silver David、A Rusu Andrei和Veness Joel。2015年，通过深度强化学习进行人性化控制。《自然》518，7540（2015），529--533。“}，{”key“：”e_1_1_162_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1080\/01621459.2017.1319839”}，“key”：“e_1_c_163_1”，“doi-assert-by”：“publisher”，”doi“：”10.1145\/2684822.2685294“}”，{：“10.1109\/CVPRW50498.2020.00197”}，{“key”：“e_1_2_1_165_1”，“volume-title”：“机器学习国际会议。6638-6647”，“作者”：“王小杰”，“年份”：“2019”，“非结构化”：“王小杰、张瑞、孙瑜、齐建忠。2019 . 针对缺失数据推荐的双稳健联合学习不是随机的。在机器学习国际会议上。6638--6647 . 王晓杰、张睿、孙宇和齐建忠。2019.针对非随机数据缺失的推荐，进行双倍稳健的联合学习。在机器学习国际会议上。6638--6647.“}，{”key“：”e_1_1_167_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1007\/BF00992698”}，“key”：“e_1_c_168_1”，“doi-assert-by”：“publisher”，”doi“：”10.1038\/ng.2764“}”，{}，{“键”：“e_1_2_1_170_1”，“doi-asserted-by”：“出版商”，“doi”：“10.1016\/j.rie.2016.01.001”}，{“key”：“e_1_2_1_171_1”，“unstructured”：“刘易尧生李亚良李梦迪怀敬高，张爱东.2018。基于观察数据的治疗效果评估的表征学习。神经信息处理系统进展。2633--2643. 刘易尧生李亚良李梦迪怀敬高和张爱东。2018年，通过观察数据进行表征学习，以评估治疗效果。神经信息处理系统进展。2633--2643.“}，{”key“：”e_1_1_172_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1109\/ICDM.2019.00186”}，“key”：“e_2_1_173_1”，“doi-assert-by”：“publisher”，”doi“：”10.24963\/ijcai.2019\/570“}”，{sung“，”非结构化“：”金圣尹、詹姆斯·乔登和米哈拉·范德沙尔。2018.GANITE：使用生成性对抗网络评估个体化治疗效果。在第六届国际学习代表大会上。金圣尹、詹姆斯·乔登和米哈拉·范德沙尔。2018.GANITE：使用生成性对抗网络评估个体化治疗效果。在第六届国际学习代表大会上。“}，{”key“：”e_1_1_175_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3357384.3358058”}，“key”：“e_2_1_176_1”，“volume-title”：“第二十五届人工智能不确定性会议。AUAI出版社，647--655”，“作者”：“张坤”，”年份：“2009”，“非结构化”：“Kun Zhang和Aapo Hyvarinen。2009 . 关于后非线性因果模型的可辨识性。在第25届人工智能不确定性会议上。AUAI出版社，647--655。Kun Zhang和Aapo Hyvarinen。2009年。关于后非线性因果模型的可识别性。在第25届人工智能不确定性会议上。AUAI Press，647--655.“}，{“key”：“e_1_2_1_177_1”，“volume-title”：“非随机缺失数据无偏转换率估计的因果视角。arXiv预印本arXiv:1910.09337”，“作者”：“张文浩”，年：“2019”，“非结构化”：“张文浩，鲍文天，刘晓阳，杨克平，林泉，洪文，拉米扎尼。2019。非随机缺失数据的无偏转换率估计的因果观点。arXiv预印arXiv:1910.09337（2019）。张文浩、鲍文天、刘晓阳、杨克平、林泉、文宏和Ramin Ramezani。2019.非随机缺失数据的无偏转换率估计的因果观点。arXiv预印arXiv:1910.09337（2019）。“}，{”key“：”e_1_1_178_1“，”volume-title“：”第十届国际教育数据挖掘大会“，”author“：”赵思源“，”year“：”2017“，”unstructured“：”赵思源和尼尔·赫夫南。2017 . 利用剩余反事实网络评估教育研究的个人治疗效果。在第十届国际教育数据挖掘会议上。赵思源和尼尔·赫夫南。2017年。利用剩余反事实网络评估教育研究的个人治疗效果。在第十届国际教育数据挖掘会议上。“}，{”key“：”e_1_1_179_1“，”doi-asserted-by“：”publisher“，“doi”：“10.1145\/3292500.3330852”}]，“container-title”：[”ACM Transactions on Knowledge Discovery from Data“]，”original-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/dl.ACM.org\/doi\/pdf\/10.1145\/344944“，”content-type“：”application\/pdf“，版本“：”vor“，”intended-application“：”联合”｝，｛“URL”：“https:\/\/dl.acm.org/doi\/pdf\/10.1145\/3444944”，“内容类型”：“未指定”，“内容版本”：“vor”，“预期应用程序”：“相似性检查”｝]，“存放”：｛“日期部分”：[[2023,11,3]]，“日期时间”：“2023-11-03T15:08:02Z”，“时间戳”：1699024082000｝，“分数”：1，“资源”：｛“主要”：｛“URL”：“https:\/\/dl.acm.org/doi\/10.1145\/3444944“｝｝，“副标题”：[]，“短标题”：[]，“已发布”：｛“日期部分”：[[2021,5,10]]｝，“参考文献数”：175，“期刊发布”：｛“发布”：“5”，“已发布印刷品”：｛“日期部分”：[[2021,10,31]]｝｝，“替代id”：[“10.1145\/3444944”]，“URL”：“http:\/\/dx.doi.org/10.1145\/3444944”4944”，“关系”：｛｝，“ISSN”：[“1556-4681”，“1556-472X”]，“issn-type“：[{”value“：“1556-4681”，“type”：“print”}，{”value“：”1556-472X“，”type“:”electronic“}]，“subject”：[]，“published”：{”date-parts“：[[2021,5,10]]}，“assertion”：[{”value“：”2020-04-01“，“order”：0，“name”：“received”，“label”：“received”，{“value”：“2020-12-01”，“order”：1，“name”：“accepted”，“label“：”Accepted“，”group“：{”name“：”publication_history“，”label“:”publication history“}}，{”value“：”2021-05-10“，”order“：2，“name”：“published”，“label”：“published”，“group”：{