机器学习×因果推断屠榜！！Celcomen 登顶 ICLR2025，因果可识别性再破天花板！

最新推荐文章于 2026-06-28 22:07:23 发布
原创 最新推荐文章于 2026-06-28 22:07:23 发布 · 1.2k 阅读 · 15
标签
#论文合集 #机器学习 #因果推断

近年来，机器学习与因果推断的交叉研究在学术界与工业界掀起浪潮。这一技术融合正在重塑多个行业的决策逻辑。

在医疗领域，因果推断已能精准定位药物靶点与副作用机制，推动个性化治疗方案的发展；金融风控中，反事实分析技术正重构信用评分模型，提升风险预测的准确性；自动驾驶系统则借助因果推理增强复杂场景下的决策鲁棒性，突破传统感知算法的边界。微软亚洲研究院近期发布的因果增强推荐系统，通过引入因果推断技术将用户行为建模误差降低23%，充分验证了该技术的商业价值与应用潜力。

技术发展呈现高效计算架构、跨模态因果迁移和轻量化推断引擎三大方向。混合架构创新通过图神经网络与因果图模型的深度融合提升推理效率；跨模态技术实现多源数据的因果关系对齐，拓宽应用场景；轻量化引擎推动因果计算在边缘设备上的实时应用。这些进展不仅解决了传统因果推断的计算瓶颈，更通过算法创新增强了模型的鲁棒性与泛化能力。

我们精选12篇最新研究成果，这些研究揭示了因果机器学习在医疗健康、环境科学等数据密集型领域的落地路径，为大家的研究提供助力！

点击【AI十八式】的主页，获取更多优质资源！

【论文1】Estimation of single-cell and tissue perturbation effect in spatial transcriptomics via Spatial Causal Disentanglement

Structural causal model (SCM) between feature variables s1, ..., sg.

最低0.47元/天 解锁文章
AI十八式
关注
AI人工智能目标检测的跨模态迁移学习
大模型应用工坊
04-07 754
目标检测是计算机视觉领域的核心任务之一，旨在识别图像或视频中特定目标的位置和类别。然而，传统的目标检测方法往往依赖于大量标注的单一模态数据，如RGB图像。在实际应用中，获取大规模标注数据既昂贵又耗时。跨模态迁移学习为解决这一问题提供了新的思路，它允许模型从一种模态的数据（如RGB图像）中学习到的知识迁移到另一种模态的数据（如红外图像、深度图像等）上，从而提高目标检测在不同模态数据上的性能。
顶会新宠！剑桥凭“机器学习+因果推断”杀疯ICLR！2025发论文的黄金赛道来了！
学姐带你玩AI的博客
03-20 1596
看了这几年各大顶会的投稿趋势，发现相关的论文增长迅猛，研究热情高涨。比如ICLR 2025上剑桥大学提出的Celcomen模型，首次实现空间转录组学因果推断可识别性。不仅如此，机器学习+因果推断在工业界的需求同样旺盛，微软、Uber等企业纷纷入场，医疗、金融、自动驾驶等领域还存在大量未解决的因果建模问题，这些可都是丰富的应用场景和创新切入点。2025年，我们可以从。
入选ICLR 2025！剑桥大学提出Celcomen模型，首次在空间转录组学分析中实现因果推断可识别性
HyperAI超神经
03-17 1025
来自剑桥大学的研究团队提出了一个名为 Celcomen 的虚拟组织模型，这是首个在空间转录组学分析中具有因果推断可识别性的模型，不仅能估计环境对单个细胞的影响，还能推测单个细胞对其周围环境及整体组织的影响。在生物学领域，细胞的基因表达谱同时编码了其内在特性和外在组织微环境的信息。解开这两种效应的因果关系，对全面理解细胞内与细胞间的复杂相互作用十分关键。为此，需要一个稳健的因果解耦 (causal disentanglement) 框架。
从Nature论文到工业落地：因果机器学习在供应链风险管理中的3个典型应用案例
weixin_29296241的博客
02-18 318
本文探讨了因果机器学习在供应链风险管理中的工业落地实践。通过三个典型应用案例，展示了该技术如何利用反事实推理能力，将传统的相关性预测升级为可量化干预效果的决策支持，有效应对黑天鹅事件，实现从被动预警到主动干预的范式转变。
因果推断与机器学习开发实战中的计算机视觉与深度学习
东海陈光剑的博客：禅与计算机程序设计艺术
01-28 965
1.背景介绍 在过去的几年里，计算机视觉和深度学习技术的发展非常快速，它们已经成为了人工智能领域的核心技术之一。因果推断是一种非常重要的计算机视觉和深度学习技术，它可以帮助我们更好地理解图像和视频中的事物，并进行更准确的预测和决策。 在本文中，我们将从以下几个方面进行讨论： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型公式详细讲解 具体最佳实践：代码实例和详细解释说明 ...
基于因果推断的机器学习模型稳定性优化研究
mingxuan13141314的博客
10-17 457
基于潜在结果框架或结构因果模型，研究者可以构建更鲁棒的预测模型，这些模型在面对数据分布变化或外部干预时，能保持预测的稳定性，这对于医疗、经济等决策领域至关重要。优化模型以减少对无关相关性的依赖，增强其对核心因果机制的捕捉，是提升稳定性的关键步骤。这些方法不仅包括常见的L1、L2正则化，还可能包括因果图结构先验的融入，或者设计损失函数以惩罚在因果无关特征上的依赖。一个稳定的因果模型应具备持续学习的能力，能够在不遗忘已有因果知识的前提下，适应新的数据模式。评估因果机器学习模型的稳定性需要有别于传统模型的指标。
AI 学习之旅 · 阶段二：机器学习
AI_Encyc的博客
06-24 484
小明背下了所有练习题的答案，考试遇到新题就不会了 →过拟合小红理解了解题思路，遇到新题也能做对 →泛化能力强✅。
机器学习周报五十一
最新发布
weixin_60864619的博客
06-28 212
本周阅读了论文Animatable 3D Gaussian，对LBS如何将高斯点映射到观测空间有了了解，形成对完整的高斯泼溅重建人体的流程的认识。3D gaussian Animate中的很多流程都比较复杂，但是其中的deformer模块还一直被继续使用到现在，已经对LBS蒙皮等操作的描述，让我了解到高斯泼溅重建人体的完整流程。
多层神经网络_深度神经网络_机器学习_大模型由来_设计大模型_损失_梯度下降---AI大模型系统从零开始0016
添柴程序猿的专栏
06-22 241
摘要：神经网络通过多层结构逐层提取特征，最终输出归一化概率。深度神经网络通过增加层数提取更复杂特征，但需防止过拟合。模型训练关键在于参数优化：随机初始化参数后，通过计算误差并梯度下降迭代调整参数。误差函数的设计至关重要，直接影响模型性能。训练过程需要大量计算，逐步减小误差直至收敛。实际应用中需根据误差变化动态调整步长，以获得最优模型。整个训练过程体现了机器学习从数据中自动学习规律的核心思想。（149字）
机器学习之集成学习AdaBoost
Shan1205的博客
06-27 847
但需要注意的是，AdaBoost 在每次迭代的时候并不只选取错题（错分类的样本），也会选择之前正确的题。每个弱分类器都是在前一轮弱分类器分类错误的样本加权后训练的，以此更加关注分类错误的样本，从而提高分类性能。可以把 AdaBoost算法类比为一个错题本，每个弱分类器都会形成一个错题本，在下一轮学习中，我们会针对错题本中的错误题目，更加用心地进行学习，以避免再犯相同的错误。我们为了更聚焦与错误分类的那些样本，要设计一种形式使得当分类错误的时候更大，分类正确的时候更小。那么，如何进行样本集的加权呢？
LLM大语言模型运行模式_机器学习_总误差影响因素---AI大模型系统从零开始0017
添柴程序猿的专栏
06-22 179
摘要：本文讨论了机器学习模型误差计算与参数调整的关键概念。通过概率分析（如0.91正确率对应0.0943误差）指出需关注预测置信度而不仅是准确率。重点阐释了总误差计算方法（6万张图片误差累加）及梯度下降原理，包括如何通过ln函数优化误差计算、15万字符的多语言输出场景处理，以及1.8万亿参数模型的超大规模梯度下降实现。同时解释了非线性变换（如将像素值二值化）对模型拟合能力的提升作用，强调每个训练步骤都需全局调整所有参数，体现现代大模型训练的核心机制。（149字）
【机器学习入门】从零到一入门机器学习
2301_79484620的博客
06-27 247
本文基于B站课程笔记，系统梳理了机器学习基础知识体系。主要内容包括：1）机器学习与传统编程的区别，核心概念解析；2）三大学习分支（监督/无监督/强化学习）及典型算法；3）重点模型讲解（线性回归、决策树、随机森林、XGBoost等）；4）无监督学习技术（聚类、降维）；5）完整项目流程与实战建议。文章以通俗方式呈现数学原理和算法思想，强调"用数据解决问题"的工程思维，适合初学者构建知识框架，为后续实践奠定基础。建议结合课程视频和经典教材进行拓展学习。
AI底层系列:用C++实现线性代数的公式推导与算法设计-8.线性变化(1)
TCW1121的博客
06-28 187
  本节将介绍线性代数中非常重要的一类变化，即线性变化，该变化的基本思想与笔者在前方章节的奇思妙想中提出的概念不谋而合，从程序员的角度理解该变化是非常轻松的。  笔者在前方的章节提出过：向量是操纵和描述几何变化的一门语言，矩阵是封装向量语句得出的函数，对于向量是操纵和描述几何变化的语言这一角度在前方的章节中已经有非常明显且实用的体会了，而线性变化本质上就是后半部分：矩阵是封装向量语句得出的函数的体现，具体来说，对于矩阵方程Ax=b\boldsymbol{A}\boldsymbol{x} = \boldsym
机器学习持续交付（CD4ML）：自动化机器学习应用的端到端生命周期
QQQrui的专栏
06-22 377
在 Sculley 等人于 2015 年发表的一篇著名论文《机器学习系统中的隐藏技术债务》中，作者指出，在真实世界的机器学习系统中，真正的机器学习代码只占很小一部分；而支撑系统持续演进的基础设施和流程，则要庞大得多。论文还讨论了这类系统中可能累积的多种技术债务来源，包括数据依赖、模型复杂性、可复现性、测试、监控，以及对外部环境变化的响应能力等。传统软件系统同样会面临许多类似问题。持续交付正是通过自动化、质量保障和工程规范，建立一套可靠、可重复的软件发布流程，使软件能够安全地交付到生产环境。
机器学习：10.聚类
Open__Ai的博客
06-25 685
本文系统地介绍了机器学习中几种核心的聚类算法。文章从无监督学习的基本概念出发，详细讲解了基于划分的 K-Means 算法（包括其迭代流程、质心更新、距离度量及 K-Means++ 和肘部法则等优化技巧）、基于概率模型的高斯混合模型 (GMM) 与 EM 算法（阐述了其软聚类的思想及与 K-Means 的联系）、基于密度的 DBSCAN 算法（能够发现任意形状的簇并识别噪声点），以及层次聚类（自底向上与自顶向下的策略）。最后总结了聚类算法在文本挖掘、推荐系统、图像处理等领域的广泛应用。
机器学习特征工程：从原始数据到模型输入
谁念西风独自凉
06-23 277
数值特征：标准化/归一化是基础，对数变换处理偏态类别特征：低基数用 One-Hot，高基数用目标编码时间特征：周期编码（sin/cos）比直接用数值更好特征选择：先过滤（快速），再包装（精确），最后嵌入（模型驱动）Pipeline：把所有步骤封装为可复现的流水线。
机器学习/深度学习入门的「Hello World」
AI_Encyc的博客
06-26 363
摘要： MNIST是经典的手写数字数据集，包含7万张28×28像素的灰度图，分为0-9共10类。作为AI入门标配，其小规模、低计算成本的特点适合验证算法流程，覆盖数据加载、模型训练到评估的全过程。传统方法（如SVM）准确率约97.5%，而简单CNN可达99%+。PyTorch等框架内置MNIST数据，通过全连接网络或CNN即可快速实现分类（代码示例提供全流程）。但其过于理想化，仅适合学习基础，无法反映真实场景复杂度。
基于贝叶斯超参搜索、机器学习代理建模、多目标MOPSO寻优与SHAP分析的锂电池工艺参数协同优化，Python完整代码
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
06-24 453
基于贝叶斯超参搜索、机器学习代理建模、多目标MOPSO寻优与SHAP分析的锂电池工艺参数协同优化，Python完整代码
65nm、FinFET、GaN...工艺变了，ESD失效方式也完全不同
GC_ESD的博客
06-28 266
本文分析了不同半导体工艺下的ESD失效机理演变：微米工艺以热效应导致结烧毁和金属熔化为主；纳米工艺转向栅氧化层击穿等电场效应；FinFET工艺呈现三维结构尖端放电新特性；GaN等化合物半导体则以陷阱效应为主导。随着工艺尺寸缩小，ESD耐受电压显著降低，失效模式从硬短路转向参数退化。文章强调，理解工艺相关的失效机理差异对设计针对性ESD防护方案至关重要，如FinFET需重点关注带电器件模型，GaN器件则需优化栅极驱动设计。
机器学习与模式识别第二阶段笔记
2301_80226956的博客
06-27 190
力挽狂澜我即将挂科的机器学习与模式识别！勇敢勇敢我的朋友！
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值