因果推論

深度分析

CDTI 配對設計揭露未觀測混雜因素：ICU 機械通氣因果分析新突破

本研究提出以治療意圖偵測未觀測混雜因素的新觀測設計，透過專家比較配對病患挖掘隱藏變項，於ICU機械通氣與住院死亡率實驗證顯示能有效揭露混雜偏誤，理論證明Z‑匹配、π‑匹配與Z‑支配三種策略具隨機支配性，並於半合成MIMIC‑III資料成功恢復已知混雜因素，預示此框架可提升醫療及其他領域的因果推論可靠性。

深度分析

Prometheus：以 Topos 世界模型與局部預測態自動化深度因果研究

背景：面對大量文獻與資料，研究者需比對局部因果主張。核心方法：Prometheus將檢索到的論文、表格、程式與模擬輸出，建成以語境為索引的sheaf式局部預測態模型，並以restriction與gluing診斷標示同意、漂移與矛盾。主要影響：形成可導航的Topos世界模型，協助深度因果分析與反事實檢驗。

深度分析

BGM-IV：以貝式生成潛在模型結合工具變數的非線性因果估計

在面對高維共變數與非線性結構的工具變數問題，BGM‑IV 以分割式貝式生成潛在空間來解耦混淆、處置與結果變異，並以工具變數誘導的處置分布進行準似然平均化以修正內生性。實驗顯示在高維場景下能顯著提升因果估計準確性，且在某些高維設定下優於既有方法。

深度分析

因果稽核下的 LLM 安全與地緣政治：PGM 與 do 運算子的區域化對齊評估

本研究針對大型語言模型在全球部署下的安全與公平問題提出因果稽核框架。論文使用機率圖模型與Pearl的do操作消除議題毒性干擾，以反門徑校正分離情境毒性，量化介入後的人口群體拒絕率。實驗涵蓋七款指令型模型與ToxiGen及BOLD，結果顯示觀察性偏差常被高估。

深度分析

以隨機對照試驗（RCT）評估人工智慧對人類績效：五大原則與三十三項指引

面對人工智慧評估與研究信度危機，作者提出以隨機對照試驗為核心、結合五項原則與三十三條指引，強調以人類績效為終點、落實因果推論與透明可重複性，並針對模型版本管理、使用者互動、干擾或外溢效果與公平性評估，提供實作指引以提升結果的可比較性與政策可用性。

深度分析

合成資料與因果推論：分離式共變數生成與結果建模以降低 ATE 失真

合成資料在隱私保護、資料擴增與模擬上被廣泛採用，但直接用於因果推論時，需保留的不只是預測準確度。本文改寫自學術研究，指出完整聯合生成器（包含 GAN 與 LLM）在重建列層級表現優異時，仍可能扭曲平均處理效果（ATE）。

深度分析

分散式 AI 推論中的時鐘偏差：毫秒級差距如何破壞可觀測性與因果推論

分散式AI推論管線普遍以時間戳記作為觀測依據，研究者在單一推論階段人工注入3至5毫秒的時鐘偏差，結果顯示當偏差超過5毫秒時，時間序列出現負跨距，因果關係被破壞，然而系統吞吐量與推論正確率仍保持穩定。此現象顯示即使功能正常，觀測資料的因果可信度亦可能在毫秒級偏差下崩潰，凸顯同步精準度在分散式AI系統中的關鍵角色。

深度分析

LLM在經濟因果推論的方向性偏誤：EconCausal基準的實證評估

研究檢視大型語言模型是否在經濟因果推論中呈現系統性意識形態偏誤。研究團隊以EconCausal擴充出一千零五十六個立場爭議案例，並在一萬零四百九十個因果三元組上測試二十款模型。以語境為基礎的符號預測任務，模型需判斷處遇與結果間的正負或無效關係。發現模型在與介入導向一致時表現較佳，錯誤偏向介入預測。

深度分析

認識性遺憾最小化（ERM）：用因果信念修正緩解大型語言模型的 Rung Collapse

研究指出，大型語言模型常以「錯誤理由」達成表現，因自回歸訓練無法區分關聯與介入。作者提出「認識性遺憾最小化」（ERM），作為獨立於結果的因果信念修正目標，並以物理接地定理、AGM式修訂與失效型態守門人構成三層架構，能用介入資料分離相關與因果。實驗證明進階模型仍存階層崩塌問題，且定向 ERM 可回復多數根深錯誤。

深度分析

協調式線上行為偵測與特徵化：圖神經網路與因果推論的全方位調查

隨著社群平台成為協調行為的主要舞台，研究者開始針對其偵測方法進行系統整理。本文提出統一框架，比較圖神經網路、時間序列與因果模型等技術，並指出資料稀疏與跨平台追蹤是主要瓶頸。結果顯示，結合多模態特徵可提升偵測精度，未來有望改善資訊操控與仇恨言論的治理。