因果推断专题索引

专题概述

因果推断（Causal Inference）是研究因果关系与因果效应的学科，是数据科学和人工智能的核心支柱之一。与传统的统计学关注相关性不同，因果推断致力于回答”如果我干预X，Y会怎样”这类反事实问题。

本专题系统梳理因果推断的理论基础、核心算法、与LLM的融合应用，以及最新研究进展。

核心内容导航

基础理论

高级专题

因果推断与LLM融合

因果推断与LLM应用

学习路径建议

入门路径（推荐）

1. causal-inference-fundamentals → 2. do-calculus → 3. causal-discovery

因果推断与LLM融合路径

1. causal-inference-fundamentals → 2. causal-llm-integration-overview → 
3. causal-ai-scientist-llm-driven → 4. causalbench-evaluation-framework

因果推断应用路径

1. causal-inference-fundamentals → 2. heterogeneous-treatment-effects → 
3. uplift-modeling-introduction → 4. causal-nlp-bidirectional-enhancement

进阶路径

1. causal-inference-fundamentals → 2. causal-counterfactual-reasoning → 
3. causal-representation-learning-theory → 4. causal-llm-integration-overview

核心公式速查

Do-Calculus规则

因果效应

与其他专题的关联

相关专题

交叉引用

- 因果推断 ← 机器学习（理论基础）
- 因果推断 ← 信息论（共同理论基础）
- 因果推断 → 因果强化学习（应用扩展）
- 因果推断 → 世界模型（因果世界建模）
- 因果推断 → Agentic AI（因果推理增强）
- 因果推断 ←→ LLM（双向融合）

工具与库

因果推断库

因果LLM工具

关键论文与参考文献

经典论文

1. Causality: Models, Reasoning, and Inference - Pearl, J. (2009)
2. Causal Inference: What If - Hernán & Robins (2020)
3. The Book of Why - Pearl & Mackenzie (2018)

因果推断与LLM论文

1. Large Language Models and Causal Inference in Collaboration (NAACL 2025)
2. Causal AI Scientist (COLM 2025)
3. CausalGraph2LLM (NAACL 2025 Findings)
4. IGDA: Interactive Graph Discovery through LLM Agents (arXiv:2502.17189)
5. CausalBench (NeurIPS 2024 Datasets & Benchmarks)

实践项目建议

初级项目

1. 使用DoWhy实现观测数据的因果效应估计
2. 实现倾向得分匹配算法
3. 基于文本的因果关系抽取

中级项目

1. 构建因果问答系统
2. 实现Causal AI Scientist简化版本
3. 使用CausalBench评估LLM的因果能力

高级项目

1. 开发因果LLM微调方法
2. 实现多智能体因果发现系统
3. 构建因果驱动的推荐系统

最新更新 (2026-05-17)

新增内容

• 因果推断与LLM融合概述 - 双向融合框架完整介绍
• Causal AI Scientist - LLM驱动的自动化因果分析
• CausalBench评估框架 - 四维度评估体系详解
• 因果推断与NLP双向促进 - 因果增强NLP与NLP辅助因果

最后更新: 2026-05-17