通过信息学理论，本文探讨了一些系统的因果结构在宏观尺度上更具信息量，特定的因果模型能够更好地利用系统特定的因果能力。最终导致这些系统的因果结构无法被微观模型完全捕获。

Dec, 2016

该研究讨论了聚合变量的影响，特别是针对不同微观表现会对下游宏观变量产生不同变化的问题，进而讲述了因果关系在聚合变量中的局限性，只有参考微观物态才能确定宏观因果关系，并探讨了宏观干预和微观状态分布的关系。

Apr, 2023

本文讨论了粗粒化对于因果性和 Causal Emergence 的影响，提出了不确定性的重新分配是 Causal Emergence 的原因，并分析了决定 Causal Emergence 的阈值，进一步提供了选择正确粗粒化操作的有价值的建议。

Dec, 2022

该论文介绍了结构方程模型 (SEMs) 中精确的转换机制，以实现不同粒度和级别的建模；它强调了在因果建模过程中精确定义干涉的重要性，并阐明了循环 SEMs 的解释。

Jul, 2017

揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

Dec, 2023

通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由 Pearl 的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

Jan, 2024

提供了视觉行为的严格定义和一种能够广泛适用于人类、动物、神经元、机器人和其他感知系统中视觉驱动行为的方法，基于微观变量构建因果变量并通过最小化实验验证来获取因果知识。该定理与机器学习中的标准推理技术相连，最后提出一个主动学习方案来自动识别目标行为的视觉原因。

Dec, 2014

本文提出了一个新的实际原因的定义，通过建立结构方程模型来建立反事实关系，这个定义令人信服并优雅，解决了传统方法存在的主要问题，并且可以用来定义因果解释。

Jan, 2013

该论文研究了因果模型的抽象概念，提出了一系列逐步严格的模型定义，并表明微变量组合成宏变量的过程是强抽象概念的实例，其中所有的示例都属于 Rubenstein 等人考虑过的分类之一。

Dec, 2018

本文发展了形式工具，用于在马尔科夫和半马尔科夫模型中分解虚假变异。我们证明了首个允许非参数分解虚假效应的结果，并提供了识别这种分解的充分条件。所述方法有多个应用，从可解释和公平的 AI 到流行病学和医学问题，并在真实世界数据集上证明了其用途。

Jun, 2023