#因果推断
这篇论文用合成基准测了不同干预策略在供应链里的实际效果，LambdaMART 在某些场景确实更优，但数字基础设施上简单策略反而更强，值得做决策的人看看。
这篇论文把Transformer的自注意力倒过来用，专门抓多元时间序列里的间接因果，还带验证模块，实验效果比现有方法好。搞因果推断的值得看看。
想用自然语言问交通因果问题？teLLMe这个新框架可以帮你，它用PC算法和DoWhy分析BDD驾驶数据，结果以Causal Card呈现，直观清晰。
这篇论文提出Fed-CausalDiff，让联邦学习不仅能拟合历史数据，还能做因果干预模拟。它在四个数据集上比常规方法更准，而且通信开销可控，适合分布式医疗或金融场景。
这篇论文把因果推断中的离线策略学习扩展到了分布结果，用Wasserstein重心定义奖励，并给出了严格的统计保证，和传统均值策略学习不同，适合做理论研究的参考。
这篇论文戳破了“数据足够就能预测一切”的常见假设，做因果推断、反事实推理或世界模型研究的开发者会看到理论上的新边界——原来预测器天生缺失跨世界耦合信息，而WorldKernel给出了补全它的数学框架，值得细读。
因果发现领域长期依赖单一最优DAG，但真实数据往往支持多种解释——这篇论文用熵推断解决了这个痛点，做因果推断或复杂系统建模的研究者值得关注，方法可直接用于评估因果结构的稳健性。
做因果推断或面板数据分析的研究者值得关注——这项研究解决了异质性治疗效果估计中行级误差保证的难题，提供了更精确的理论工具，可以直接用于改进现有估计方法。
提出贝叶斯敏感性价值(BSV)方法，解决了传统最坏情况敏感性分析不切实际的问题，为因果推断实践者提供了更符合先验知识的稳健性评估标准。
这项研究为因果推断中的分布效应分析提供了首个可解释且半参数高效的测试方法，尤其适合需要定位具体差异的应用场景，如精准医疗中不同人群的异质性响应分析。