因果机器学习研究的不是“谁更可能发生”，而是“如果采取某个行动，结果会不会真正改变”，核心问题包括干预效果、混杂控制、反事实和政策评估。
普通机器学习擅长预测相关性，比如谁更可能流失、谁更可能患病。因果机器学习进一步追问：如果给某个用户优惠券、给某个病人治疗、给某个学生辅导，结果是否真的会改变。
学生做这个方向时，最重要的不是堆模型，而是把因果问题说清楚：处理变量是什么，结果变量是什么，混杂因素有哪些，识别假设是否合理，结论在敏感性分析下是否仍然成立。
中文链路图：把方向拆成输入、模型、任务和成果
一个方向能不能做成项目，关键看它能不能落到明确任务、评价指标和实验数据。
任务地图：适合小白先判断项目切入点
估计某个干预到底带来多大影响。
减少相关性冒充因果的风险。
从数据中推断变量之间可能的方向关系。
回答个体层面的假设问题。
找出哪些人更受干预影响。
检验结论是否依赖强假设。
技术路线不是模型名清单，而是看这个方向的问题意识如何一步步变化。
技术路线图：帮助学生看懂方法演进
用处理组/对照组定义因果效应。
用机器学习估计 nuisance，再做正交化因果估计。
用图模型表达假设、识别混杂和方向。
把因果效应用于策略、推荐和政策评估。
这不是让你背论文名，而是按时间线建立路线感：先看每篇论文解决了什么问题，再看图里哪一块最关键，最后知道它适合放进什么项目里。
为什么重要：Double ML 是把机器学习引入因果效应估计的核心方法之一，解决复杂混杂下估计容易偏的问题。
新手读法：重点看 nuisance model、交叉拟合和正交化如何降低偏差。
打开论文 / 来源为什么重要：NOTEARS 把有向无环图学习变成连续优化问题，是理解因果发现从组合搜索走向可微优化的重要入口。
新手读法：重点看邻接矩阵、无环约束和结构学习如何连接。
打开论文 / 来源为什么重要：因果森林帮助估计不同人群的处理效应差异，适合医疗、教育、营销和政策评估项目。
新手读法：重点看为什么平均效果不够，以及 CATE 如何转成分群策略。
打开论文 / 来源为什么重要：DoWhy 把因果图、效应识别、估计和反驳检验组织成可复查流程，适合学生做完整项目。
新手读法：重点看 model-identify-estimate-refute 四步如何让结论更透明。
打开论文 / 来源不同任务不能只看 Accuracy。论文和项目都要说明指标为什么适合当前问题。
平均或条件处理效应估计误差。
处理组和对照组匹配后是否平衡。
因果发现中边方向和结构是否正确。
基于因果估计制定策略后的收益。
隐藏混杂或假设变化下结论是否稳健。
反事实预测是否符合领域机制。
小白选题时先确认数据、代码和 benchmark 是否可获得，否则方向再热也很难落地。
学生看老师主页最难的是不知道关键词背后对应什么任务和能力要求。
通常对应处理效应估计、正交化、混杂控制和半参数统计。
通常对应因果发现、DAG 结构学习和变量关系方向推断。
通常对应异质处理效应、分群策略和个体化决策。
通常对应因果分析工具链、效应识别、反驳检验和可复查报告。
真正适合学生的路线，是先跑通最小闭环，再逐步加难度。
把问题拆成处理、结果、混杂和中介变量。
从倾向评分、Double ML 或 Causal Forest 入手。
检查隐藏混杂、样本选择和假设变化。
把因果结论转成可解释策略或政策评估。
下面这些题目不是空泛口号，而是可以沉淀代码、实验结果、图表和论文雏形的方向。
评估某学习策略对成绩或留存的影响。
估计治疗方案对风险指标的影响。
比较优惠券、推荐或广告对转化的真实作用。
从表格数据学习变量关系并做敏感性分析。
这部分覆盖搜索和咨询时最高频的问题。
普通预测问会发生什么，因果问如果干预会改变什么。
可以，但必须明确因果假设、混杂控制和稳健性检验。
政策评估、医疗处理效应、推荐策略和营销 uplift。
这个方向只是计算机科研路线中的一个入口。你也可以继续查看多模态学习、世界模型、推荐系统、可信 AI 等方向，再结合自己的专业基础、目标导师和时间周期选择更合适的切入点。