关注下方【AI算法科研paper】，点亮“星标⭐”，创新idea第一时间推送
论目前公认的低内卷、高上限、易出高分成果的优质方向，就不得不提因果推断与机器学习的交叉融合。不同于传统深度学习的工程性微调，这方向的创新属于方法论层面的革新，基本和研究增量小、创新性薄弱等不沾边，不管是用于硕士小论文、毕业课题，还是冲顶会顶刊，适配度都极高。
为了帮大家快速踩中赛道红利，本文系统整理了11篇因果推断+机器学习前沿论文+代码，覆盖因果大模型等主流热点，也包含ICLR、KDD等顶会工作，可帮助大家直接对标高分研究范式，快速找到最适合的选题、高效产出成果。
扫码添加小享，回复“因果ML”
免费获取全部论文+开源代码
Distilling heterogeneous treatment effects: Stable subgroup estimation in causal inference
方法：论文提出了一种因果蒸馏树（CDT）方法，将机器学习与因果推断结合。它先用机器学习模型估计个体处理效应，再通过决策树生成可解释的子群，兼具预测性能和可解释性。
创新点：
- 提出因果蒸馏树（CDT）：结合机器学习和决策树，估计可解释的异质性处理效应子群。
- 提供理论保证：证明CDT能一致恢复最优子群，并提出基于稳定性的模型选择方法。
- 实际应用验证：在艾滋病临床试验中，CDT优于现有方法，能准确识别临床相关子群。
研究价值：提出两阶段因果蒸馏树CDT，融合黑盒元学习精准CATE估计与决策树可解释分组优势，配套Jaccard SSI稳定筛选指标与分组一致性理论，解决传统因果树不稳定、黑盒模型无直观分组的缺陷，仿真与HIV临床试验均验证其能产出更稳定、贴合业务的异质性干预子群。
Comparative analysis of correlation and causality inference in water quality problems with emphasis on TDS Karkheh River in Iran
方法：论文利用机器学习和因果推断方法，分析伊朗卡赫克河50年的水质数据，通过“后门线性回归”模型，揭示了镁、钠、氯等水质参数对总溶解固体（TDS）的因果影响，为水质管理提供了新思路。
创新点：
- 首次引入因果推断模型（如“回门线性回归”）用于分析水质变量对总溶解固体（TDS）的因果效应。
- 融合机器学习算法与因果推断技术，构建了一个新颖的框架，从单纯的预测转向因果效应分析。
- 首次通过因果推断模型深入挖掘了Karkheh河流中水质变量的因果效应，为半干旱与干旱地区的水质管理提供了科学参考。
研究价值：以伊朗卡尔赫河50年水质数据为案例，结合后门线性回归因果推断与机器学习对比区分相关和因果关系，识别TDS真实驱动离子，为干旱区河流低成本水质管控、预警体系搭建提供因果分析新思路。
......
更多论文请扫码添加小享，获取合集~
