Causal Machine Learning: A Survey and Open Problems

第一误会：标题里的 “Causal Machine Learning” 等于“用 machine learning 估计 ATE/CATE”。作者在 introduction 里明确把后者排除在主范围之外；causal effect estimation 与 causal discovery 只在 Section 11.2 作为 related work 简述。因此，这篇论文能帮你理解 intervention、counterfactual、SCM 和 CausalML 版图，却不能替代 AIPW、double machine learning、policy learning、TOC/RATE 的专门来源。

第二误会：方法使用了 causal graph、environment 或 counterfactual vocabulary，就已经识别了真实 SCM。论文 v3 在 causal supervised learning 和 causal generative modeling 开头反复加粗提醒：从 observational data 恢复完整 SCM 需要 no hidden confounding、Markov、faithfulness、正确 causal ordering、正确 abstraction level 等强假设；多环境数据、干预样本和 domain knowledge 只能缓解，不能自动消除这些要求。

第三误会：综述收录了某类 causal 方法，就说明它已优于非因果方法。作者反而把“缺少与解决同一任务的 non-causal baselines 比较”列为 The Bad。若目标指标仍是 accuracy、OOD generalization 或 RL sample efficiency，causal label 不能免除 matched baseline。

第四误会：能生成一个看起来合理的 counterfactual image，就等于知道“同一个人如果属性不同会怎样”。Counterfactual sample 的意义依赖结构方程、噪声保持方式、可干预变量和物理可行性；视觉逼真只验证 observation surface，不验证 cross-world semantics。

第五误会：arXiv 页面在 2026 年更新，所以它就是一份覆盖 2026 前沿的完整 census。该论文初稿提交于 2022-06-30，当前 v3 修订于 2026-05-26，arXiv 仍标注 “Work in progress”。它适合做结构地图，不适合单独承担 2025--2026 frontier completeness。

这是一篇很有价值的领域架构论文。最强之处不是提出新 estimator，而是把“因果为什么会进入机器学习”拆成五种不同需求，并把 intervention / counterfactual 从口号压回明确的 estimand、结构假设与评价对象。对于第一次跨入 CausalML 的读者，它比按模型名堆文献更能建立坐标系；对于已经做因果研究的人，Chapter 10 的自我批判尤其值得保留。

但它不是一篇可直接据此选择最优算法的 systematic review，也没有新的 benchmark、meta-analysis 或统一复现实验。其 bibliography 和 taxonomy 仍明显以 2022 前后的研究版图为中心。最准确的定位是：一张经过 2026 修订的、以 SCM 为共同语言的 CausalML 全景图和问题清单，而不是 2026 SOTA 排名、HTE 估计手册或 Causality Primer 的完整替代品。

想象我们在管理一座复杂工厂。普通 ML 很擅长从历史日志预测下一次故障，但通常默认未来日志与过去同分布。因果建模则要求先画出一张“工厂怎样产生数据”的蓝图：哪些部件影响哪些传感器、哪个控制动作真正改变流程、哪些噪声属于同一次运行。

这张蓝图可以服务五个不同部门：

关键是：五个部门共享 causal language，却不共享同一个验证标准。预测部门可以看 OOD accuracy；生成部门需要检查 intervention / counterfactual semantics；公平部门还要面对社会类别是否可被干预的规范性问题；决策部门则关心 policy value、regret 与 confounded trajectories。把它们都叫 “causal” 不能抹平这些差别。

论文 Chapter 2 的三层阶梯给出最小坐标：association 是 seeing，intervention 是 doing，counterfactual 是在已观察事实后 imagining。真正读懂后续五章的方法，是不断问它究竟停在哪一层，以及高一层所需的信息从哪里来。

这是一篇 survey，没有统一训练集、test split 或作者新跑的主实验。它的研究对象是一个文献 corpus，最终组织成 12 章、五个核心方法族、三个 modality-specific application 方向、一个 benchmark 章节和一章批判性总结。

作者采用 SCM 作为共同语言。一个简化的结构因果模型可以写成

其中结构函数、图与外生噪声共同定义 data-generating process。观察分布回答“看见 \(X=x\) 后怎样更新信念”；干预分布 \(p(y\mid do(x))\) 切断进入 \(X\) 的原机制；counterfactual 还要先根据事实观察推回特定外生状态，再在同一状态下修改结构并前向预测。

论文还单列 computer vision、NLP 和 graph representation learning，说明同一 causal primitive 在不同 data modality 中会被重新实现；Chapter 9 收集 RL、vision 和 NLP benchmark。这里的“结果”因此主要是 taxonomy、method comparison table、benchmark catalog 与 open-problem synthesis，而不是新的 effect size。

最重要的 scope boundary 是两个相反方向：

这两个方向会共享 neural networks、representations 和 propensity 等词，却拥有不同 estimand、assumption 与 evaluation contract。

把这篇综述当成一个读论文的检查程序，比从头记 516 条引用更有效。

第一步，先确定问题处在 causal ladder 的哪一层。只是预测 \(p(y\mid x)\)，还是要回答 \(p(y\mid do(x))\)，还是要对已发生个案回答 \(Y_{x'}\mid X=x,Y=y\)？如果问题仍是 association，就不要仅因方法使用 graph 而升级结论。

第二步，写出 causal object。它可能是 graph、structural assignment、content variable、environment intervention、counterfactual recourse、fairness path、CID 或 trajectory-level policy value。若论文只说“学习 causal representation”却不说明这些对象，先把 claim 降级。

第三步，列出从 data 到该 object 的识别条件。观测到所有 confounders 吗？有 intervention pairs 吗？environment labels 真能视为 interventions 吗？latent dimension 与 abstraction level 是谁指定的？social attribute 真的有可定义的 intervention 吗？

第四步，识别它解决的是哪个 ML failure：spurious correlation、uncontrolled generation、non-actionable explanation、discrimination、offline confounding，还是 sample inefficiency。因果形式必须改变这个 failure 的可检验部分，而不只是换 vocabulary。

第五步，对齐 baseline 与 metric。如果 claim 是更高 OOD accuracy，就与 strongest domain-generalization baseline 比；如果 claim 是 counterfactual fidelity，就必须检查事实保持、干预传播和不可观测 cross-world ambiguity；如果 claim 是 policy improvement，就需要 policy value/regret，而不是只看表示图。

第六步，最后才决定是否进入工程或研究。论文的 Chapter 10 给出三道统一门：有没有可用软件生态？有没有和 non-causal 方法公平比较？有没有可信的 intervention / counterfactual ground truth，或者至少清楚披露无法验证的假设？

用“只治疗优先级最高的 20% 人”这个问题来检查本文的边界。设一个模型给每个人 priority score \(S(X)\)，阈值 \(c_{0.2}\) 选出 top 20%。我们想比较

与随机治疗一个人的平均收益

两者的差就是一种 top-fraction targeting contrast；沿 \(q\) 扫描可形成 TOC，进一步加权积分可形成 RATE 类指标。问题的核心不是训练一个普通 ranking model，而是同一个人不能同时展示 \(Y(1)\) 和 \(Y(0)\)。

若有独立 RCT evaluation sample，随机分配让 treatment 与 potential outcomes 独立，可以用 randomized outcomes 构造 unbiased / doubly robust scores。若只有 observational data，则还需要 consistency、conditional exchangeability、overlap，并估计 propensity \(e(X)\) 和 outcome regressions \(\mu_a(X)\)。AIPW pseudo-outcome 的典型形式是

这里必须避免一句常见但过强的话：单个 \(\widehat\Gamma_i\) 不是个人真实 \(Y_i(1)-Y_i(0)\) 的无噪声“无偏还原”。在正确的识别条件和相应 nuisance 条件下，它的条件期望可对准 CATE；所谓 double robustness 主要是对总体估计的一致性或渐近性质，而不是保证有限样本中的每个 pseudo-outcome 都正确。

然后才可以用全样本与 top 20% 的 \(\widehat\Gamma_i\) 均值去估计对应 contrast，并用 sample splitting / cross-fitting 避免 ranking learner 与 evaluator 相互过拟合。

这篇 survey 对这个例子能提供三件事：Chapter 2 解释 conditioning 为什么不等于 intervention；Section 2.6 解释 identifiability 先于 estimation；Section 11.2.1 提醒 missing intervention 与 confounding，并简述 meta-learners、observed/unobserved confounding。它没有给出 TOC、RATE 或 AIPW 的推导与 inference。因此正确使用方式是：把它作为概念地基，再接专门的 treatment-prioritization / semiparametric estimation 来源。

这个例子也暴露了一个常见概念滑移：一个 causal supervised learning 方法若能在环境变化下更稳地预测 outcome，不自动意味着它能无偏评价 top 20% treatment policy；robust prediction 与 causal policy evaluation 是不同目标。

论文没有一个“新算法在数据集上提升 X%”的主结果。它的可核验证据首先是结构性产出：261 页 PDF、516 条参考文献、五个核心 CausalML 类别、三个 modality application 方向，以及五组显式 open-problem sections。

第二层证据是 comparison tables 与案例。论文用方法表展示各类方法的 input、output 或 key idea，用 medical treatment、cow/background、brain MRI、loan recourse、offline trajectories 等例子解释 causal object。这些案例支持 mental model，不构成跨论文效果量比较。

第三层是 Chapter 10 的领域诊断：

1. The Good：SCM 与 do-operator 能表达纯 observational ML 无法表达的 intervention / counterfactual questions，并为 robustness、control、explanation、fairness 与 decision 提供结构语言。
2. The Bad：缺少成熟的开源生态；不少 causal methods 没有与解决同一任务的 non-causal baselines 比较。
3. The Ugly：真实 intervention ground truth 难、贵或不道德；真实 counterfactual ground truth 按定义不可直接观察；模拟器可被为特定方法量身定制；不可检验假设无法彻底消失。

因此，本页把“综述结论”与“作者新实验证据”分开：前者很强，后者不存在。不能把 516 条引用的广度误写成 516 个方法都经过同一 protocol 验证。

论文最值得学习的是组织方式。它没有把 causal inference 当作一个孤立统计章节，而是追踪 causal objects 怎样进入现代 ML 的不同失败模式；又没有在最后停留于乐观宣言，而是正面写出软件、baseline、ground truth 与不可检验假设的代价。这使它既是入门地图，也是反过度宣传清单。

Chapter 2 也足够自洽：从 Bayesian network 到 intervention、counterfactual、SCM、CRL、confounding、identification 和 causal influence，读者能带着统一符号进入后续章节。尤其是把 identification 描述为“把 causal estimand 转成可由观察分布计算的 statistical estimand”，能阻止模型复杂度替代识别问题。

其弱点来自同一优势：覆盖太宽。feature invariance、counterfactual image generation、algorithmic recourse、social fairness、offline RL 与 treatment effect estimation 的 epistemic contract 差别极大。一个 umbrella survey 很容易在统一术语时压平这些差异；读者必须自己补充各领域的专门理论和最新证据。

从 2026 视角看，它更像“2022 版图的深度修订”而不是“2026 frontier census”。这不降低它作为 foundational map 的价值，但决定了它应该与当前 top-venue Scout、HTE/semiparametric教材和最新 CRL/LLM causal reasoning 文献并列，而不是成为唯一入口。

1. 它仍是 arXiv work in progress。 v3 在 2026-05-26 更新，但没有 proceedings / journal peer-review 状态可作为最终版本边界。
2. 不是可复现的 systematic review。 正文没有给出数据库检索式、时间窗口、纳入排除规则、双人筛选或 PRISMA-style flow，因此 corpus selection 不能被当作完整 census。
3. 版本日期与文献新鲜度不对齐。 虽然是 2026 v3，参考文献仍压倒性集中在 2022 及以前；可见 bibliography 只含极少 2024--2025 工作，不能代表 2026 frontier。
4. 核心范围故意弱化 ML for causal inference。 AIPW、DML、policy learning、TOC/RATE、现代 CATE model selection 与 sensitivity analysis 只能从 Section 11.2 得到入口，无法从本文学会实际 inference。
5. 没有统一经验比较。 方法来自不同任务、数据和 metric；综述不重跑实验，也没有 meta-analysis，所以不能回答“哪个方法最好”。
6. “causal” 方法的证据强度不齐。 有些方法使用已知 graph，有些只假设 environment invariance，有些生成视觉 counterfactual；把它们放在同一 umbrella 下容易让 causal identification 含义漂移。
7. 强假设仍不可检验。 no hidden confounding、faithfulness、正确 graph、正确 abstraction 或 modularity 一旦错误，intervention/counterfactual interpretation 会失效。
8. benchmark ground truth 有结构性困难。 真实 counterfactual 不可同时观察；大量评估依赖 simulator，而 simulator 可以被定制成偏爱某种方法。
9. non-causal baseline 缺失是领域问题，也是综述证据限制。 某些 paper 的提升可能来自 architecture、augmentation 或 supervision，而不是 causal formalism 本身。
10. abstraction level 没有统一答案。 pixel、object、agent、mechanism 或 social category 都可成为 causal variable；选错层级时，图虽可计算却不一定科学有效。
11. social-category intervention 存在规范性争议。 在 fairness 中把 race/gender 当作可 modularly intervene 的变量，可能丢失社会与政治含义；这不是更多数据就能自动修复的问题。
12. 软件生态判断会快速过时。 libraries、benchmark hubs 和自动 identification 工具在持续变化，Chapter 10.2.1 需要动态更新，不能永久引用为当前事实。
13. 编辑质量仍有 work-in-progress 痕迹。 例如 printed p.26（PDF 第 30 页）出现段落重复与 “on the one hand” 重复；这些不改变主论点，但提醒读者不要把 v3 当定稿教材。
14. 新一代 foundation model / LLM causal reasoning 不是主轴。 当前 Scout 中 2025--2026 的 agent benchmark、causal foundation model 与 internal-mechanism work需要额外来源补齐。
15. 开放问题不等于 novelty proof。 综述说某方向 under-explored，只是截至其 corpus 的作者判断；新论文仍需做逐条 prior-art search。

第一，做一份可更新的 systematic extension：冻结检索数据库、关键词、时间窗与 inclusion protocol，把 2023--2026 的 CRL、causal foundation models、LLM causal reasoning、diffusion counterfactuals、offline causal RL 与现代 effect-estimation work补入，并公开 versioned corpus。

第二，为每个被称为 CausalML 的方法增加一张 assumption card：observed variables、hidden confounding、intervention access、graph knowledge、abstraction、identifiable estimand、testable implications、failure mode。这样 taxonomy 才能从“方法属于哪类”升级为“结论靠什么成立”。

第三，在同一任务上做 causal 与 non-causal matched comparisons，冻结 backbone、capacity、data augmentation、supervision budget、tuning budget 与 evaluation split。只有 causal object 的加入带来独立收益，才能把改善归因给 causal formalism。

第四，建立 simulator-to-reality stress test：公开多个由不同团队设计的 SCM/simulator，加入 misspecified graph、hidden confounding、wrong abstraction、weak overlap 与 intervention shift；再用少量真实 interventional data检查 simulator ranking 是否外推。

第五，对 counterfactual generators 分开验证 observational realism、intervention propagation、factual reconstruction、noise consistency 与 decision utility。单一 FID/visual realism 指标不足以证明 counterfactual validity。

第六，把 Chapter 11.2 扩成独立桥梁，对同一个 top-20% treatment example并列展示 identification、nuisance learning、AIPW、cross-fitting、ranking evaluation、uncertainty 与 sensitivity analysis，明确 CausalML 和 ML-for-causal-inference 可以怎样协作。

可以说：CausalML 可以被组织成 causal supervised learning、causal generative modeling、causal explanations、causal fairness 和 causal reinforcement learning五类；SCM、intervention 与 counterfactual 为这些问题提供了比 observational prediction 更强的表达语言；当前领域同时受制于 benchmarks、software、baseline comparisons、ground truth 与不可检验假设。

可以说：在很多 ML 问题中，显式声明 data-generating assumptions 有助于区分 spurious association、action、counterfactual editing、recourse、fairness path 与 policy decision，而不应把它们压成同一个 “causal score”。

不能说：本文证明 causal methods 总体优于 non-causal methods；收录的方法都识别了真实 SCM；生成的 counterfactual 都是真实个体反事实；或一个模型在 OOD benchmark 上更稳就完成了 causal inference。

不能说：本文已经提供从 observational data 计算 top-20% treatment gain 的完整方法。这个问题需要另行声明 estimand、identification、overlap、nuisance estimation、AIPW/orthogonal score、sample splitting 与 uncertainty。

也不能把 “last revised 2026” 简写为“一篇 2026 新论文”。准确元数据是：初稿 2022、当前 v3 于 2026 修订、arXiv work in progress。

对 Causality Primer，它提供的是章节路由图：Chapter 2 可作为 seeing/doing/imagining、SCM 与 identification 的背景；Chapters 3--7 可进入 robustness、generation、explanation、fairness、decision 的应用侧栏；Chapter 10 则应成为贯穿教材的 assumption/evidence warning。教材不应照搬其 261 页结构，而应吸收它区分问题族与证据边界的方式。

对 HCGM / Unit Selection Learning，它给出一个重要否定边界：learned invariant representation、latent causal factor 或 counterfactual generator不自动等于 persistent individual / unit belief，也不自动给出 treatment-effect identification。若当前研究提出新的 unit object，必须说明它在 SCM、measurement、effect estimation 或 decision 的哪个接口增加了可检验内容。

对刚才的 HTE/RATE 阅读线，它能澄清为什么 observational mean difference 不是 causal effect，以及为什么 identification assumptions 先于 estimator；但它也明确暴露了缺口：RATE/TOC 与 AIPW 应进入一篇单独的专业导读，不能借这篇 umbrella survey 代替。

对 Causal AI Scout，本页承担跨论文索引：它不是又一篇需要复现的 SOTA，而是帮助读者判断其他论文究竟属于 causality-for-ML、ML-for-causal-inference、causal discovery 还是只使用 causal vocabulary 的 field map。

不要线性硬读 261 页。第一遍用四站建立全局：先读 abstract / Introduction；再读 Chapter 2 的 Sections 2.2、2.3、2.5、2.6；跳到 Chapter 10 “The Good, the Bad and the Ugly”；最后读 Chapter 12 Conclusion。这样先获得 causal ladder、SCM、confounding、identification 与作者自我批判。

第二遍按问题选一章：关注 OOD robustness 读 Chapter 3；关注 controllable/counterfactual generation 读 Chapter 4；关注 explanation/recourse 读 Chapter 5；关注 fairness 读 Chapter 6；关注 agent/offline policy 读 Chapter 7。每章先看 overview table，再看 open problems，最后才追单个方法。

第三遍补应用与评测：Chapter 8 看 vision/NLP/graph 的 modality-specific 翻译；Chapter 9 看 benchmark ground truth 来自哪里；读每个 benchmark 时标注真实 observation、simulator truth、intervention access 与 scoring object。

若你的目标是 treatment effect，直接读 Section 11.2.1，并把它当文献入口而不是教程终点。读完立即转向专门的 potential outcomes、semiparametric inference、double/debiased ML 与 treatment-prioritization sources。

页码路线（按论文 printed pages）：pp.5--24 是最小因果背景；pp.25--50 是 supervised invariance；pp.51--67 是 generative；pp.68--82 是 explanations；pp.83--95 是 fairness；pp.96--138 是 RL；pp.168--174 是 benchmarks；pp.175--181 是 Good/Bad/Ugly；pp.183--189 是 ML for causal inference；pp.190--192 是结论。

• Official arXiv abstract and version history: https://arxiv.org/abs/2206.15475
• Official arXiv v3 PDF: https://arxiv.org/pdf/2206.15475
• arXiv-issued DOI: https://doi.org/10.48550/arXiv.2206.15475
• Experimental arXiv HTML for v3: https://arxiv.org/html/2206.15475v3
• Public projection: https://wehub.us/gong/10-paper-portfolio/causality-scout/paper-digests/l05-causal-machine-learning-survey/

本导读按官方 v3 PDF 核对标题、作者、261 页结构、五类 taxonomy、open-problem sections、Chapter 10 批判与 Section 11.2 scope boundary；没有把引用文献逐篇复现，也没有把 arXiv revision 当作正式发表或 systematic-review completion。