统计学习在大数据和数据驱动的实验流程推动下取得了显著进展，但仍难以在未见分布上泛化，常在分布漂移时失效。因果模型聚焦于变化的底层机制，而非表面关联，从而在外部干预下实现稳健推理，使系统能够从数据学习、推演假设情景、适应新环境并支持更优决策。
本文分为两部分。第一部分研究算法性补救（algorithmic recourse），即寻找个体可以采取的改变以逆转不利决策。我们提出相较于传统框架更现实的成本函数，将问题重新表述为因果形式，并在策略评估中加入时间维度，以捕捉行动产生效果的延迟。
第二部分聚焦动力系统，扩展因果干预与效应的概念到离散和连续随机过程。我们证明这些过程的平衡点以及干预后平衡的变化可以映射到结构因果模型（SCM），后者相当于对底层时序动力学的压缩表示。由于真实场景中行动往往需要时间才能显现效果，时间因果模型因此具有重要意义。
两部分的共同目标是提升模型的实用性、鲁棒性和可信度，关键在于能否真实刻画潜在现象。
点评：本文通过将因果推理引入算法补救和动力系统，提供了更具可解释性和时效性的框架，为在分布漂移环境下的决策提供了可靠的理论与方法支撑。