通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数据集上训练的两个大型条件生成模型进行了评估。

Feb, 2024

借助生成流网络，利用原始信念分布比例对因果祖先图进行采样，然后通过层次变量间关系的有力实验设计，迭代地与专家互动，有效减少对因果祖先图的不确定性。通过重要性采样结合人的反馈，更新我们的样本，提高推理质量，并不需要因果充足（即可能存在未观察到的混淆变量）。实验结果表明，我们的方法能够准确地对因果祖先图的分布进行采样，并且在人类帮助下能够大大提高推理质量。

Sep, 2023

通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。

Mar, 2024

本文探讨了基因组关联研究中的线性模型与深度网络模型的优缺点，并提出了一种基于 DeepLIFT 技术的方法，可以识别出已知和可能的糖尿病遗传风险因素。

Jul, 2020

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

本文提出了一种深度神经体系结构，结合经验数据和先前的因果知识，从而学习变量之间的因果关系，并通过卷积和图神经网络在因果风险框架内提供了一种灵活和可扩展的方法，Empirical results include linear and nonlinear simulations (where the underlying causal structures are known and can be directly compared against)，特别的，在生物医学领域的实验验证结果表明，深度学习方法能够应用于学习包含数千个变量的大规模问题中的因果网络

Dec, 2022

从高维数据（例如图像）中学习概念对于构建与人工智能模型相符且可解释的机器学习模型具有潜力。本研究通过将概念形式化为离散潜在因果变量，并使用嵌入在高维数据中的概念的层次因果模型来提供理论洞见与条件，以促进从无监督数据中学习这些概念的可行性。通过合成数据实验证实我们的理论观点，并讨论了对理解潜在扩散模型的潜在机制的影响，同时提供了相应的经验证据。

Jun, 2024

该研究探讨了从高维数据中学习因果表示的挑战性问题，并引入了一种基于潜变量解码器模型的贝叶斯因果发现方法，在半监督和无监督的情况下进行了实验，表明使用已知的干预目标能够帮助结构和参数的无监督贝叶斯推断。

Jul, 2022

利用潜在变量建模来解决处理混淆因素以从观测数据中获取个体级因果关系的问题，该方法基于变分自编码器，效果显著优于现有方法且可达到同类方法的最佳水平。

May, 2017

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