背景知识下的因果推断和因果解释
本文提出了一种新方法 —— 称作直接因果子句（DCC）来表述所有类型的因果背景知识，分析因果背景知识的一致性、等价性，任何因果背景知识集合都可分解成一个因果 MPDAG 和一个最小剩余 DCC 集合，并提供了用于检查一致性、等价性和查找分解的多项式算法。最后，作者们还发现，因果效应的可鉴定性仅取决于分解后的 MPDAG。
Jul, 2022
研究了寻找因果关系的可靠程序，即使存在潜在变量和选择偏差，通过测量变量之间的依赖关系，可以得出从一个变量到另一个变量的因果路径以及不存在这样的因果路径的可靠条件。
Feb, 2013
本文提出了一种用于验证数据一致性的有效算法，该算法可以从独立性信息中提取因果关系，利用条件独立语句测试是否存在符合所有观测到的依赖性和独立性的因果模型，并找出存在的因果关系。
Mar, 2013
本文介绍了一种丰富的知识表示语言，旨在形式化因果知识，并使用该语言准确直接地形式化实际因果关系的常见基准例子。文章还提出了一个原因的定义，并用于分析代表这些例子的行动序列所引起的变化的实际原因。
Jun, 2023
提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。
Jun, 2016
这篇论文为对因果推断感兴趣但尚未熟悉的机器学习研究人员、工程师和学生提供了一个起点。通过阐述一组重要的因果认定假设，如可交换性、积极性、一致性和干扰的缺乏，我们将这些假设分类为两种主动和被动方法，并介绍了随机控制试验、基于赌博机的方法，以及匹配和逆概率加权等经典和深度学习的方法。通过介绍这篇论文中遗漏的一些因果推断方面，如碰撞偏差，我们希望为读者在因果推断和发现领域提供丰富的起始点用于进一步阅读和研究。
Aug, 2023
本文分析了没有条件独立 (conditional independence) 武器下，因果探索算法的样本复杂度，以及领域专业知识在数据样本方面的价值，并通过数字实例证明了这些抽样率的准确性，并量化了稀疏先验和已知因果方向的好处。
Feb, 2021
这篇研究论文旨在介绍数据科学中的因果推理对机器学习的重要性，包括因果推理的原则、机器学习的应用，以及与之相关的扩展视野和知识，特别关注机器学习中的分布外泛化问题。
May, 2024
本研究提出了一种新的方法，用于利用精确贝叶斯网络推断中的因果独立性，并且通过算法 VE 对给定证据和查询变量进行因果独立推理，结果表明此方法更加高效，并且允许前人算法不能接受的更大网络的推理。
Dec, 1996