将因果关系与生成建模、符合性预测和拓扑相结合的新激动人心的想法。
由于其严格的论文审查流程和高质量的研究成果，NeurIPS被认为是全球人工智能和机器学习领域最重要和最有声望的会议之一。
作为一个多学科的焦点，该会议涵盖了与开发智能系统和机器学习算法相关的广泛主题。
过去几年，被NeurIPS接受的与因果关系相关的论文数量呈指数增长。
在本文中，我们将介绍2023年会议上被接受的五篇因果关系论文，这些论文引起了我的关注，为该领域带来了重要的新见解。
请注意，这只是一个主观而且肯定不完整的列表。原因之一是在撰写本文时，NeurIPS仍未公布会议上被接受的所有论文的完整列表。
尽管如此，我相信下面介绍的论文中提出的思想有机会推动我们的领域向前发展。
让我们开始吧！
符合性元学习器
符合性预测是由Vladimir Vovk最初提出的一组无模型假设的不确定性量化技术。
符合性预测是无模型的（不需要分布假设）并提供经验频率的覆盖保证。换句话说，它保证真实结果在交换性假设下以高概率落在预测区间（或集合）内。
在他们的新论文Conformal Meta-learners for Predictive Inference of Individual Treatment Effects中，Ahmed Alaa和他的同事们提出了一种新的符合性元学习器框架，该方法可以直接推断目标参数（个体化治疗效应；ITE）…