这篇综述文章介绍了以因果推断为基础的机器学习，阐述了该领域的研究重点、难点和局限，并提出了应对策略，旨在推动因果学习算法的发展和应用。

Feb, 2022

本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

Feb, 2020

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

在大数据时代，处于生态经济学、医疗保健、网络挖掘、在线广告和市场营销等多个领域的观测数据的因果关系进一步的理解异常重要。然而目前现有的因果效果评估方法主要集中在源特定和固定的观测数据上，缺乏对数据连续性、领域适配性以及海量数据的易用性等问题的持续性研究，而这些问题非常普遍。本论文定义了持续性治疗效果的评估问题，并提出了问题的研究难点和可能的解决方案。最后，我们还讨论了未来该领域的研究方向。

Jan, 2023

本文探讨了应用因果分析作为资源优化工具来开发医学成像机器学习应用的潜力。通过对合成数据集和糖尿病视网膜病变图像分析的实例研究，研究了数据集干预对图像分类模型输出的影响，以及需要在数据集中加入的数据量和类型以实现特定子任务的更好性能。

Jun, 2022

论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

Feb, 2021

因果关系是各个领域研究事件、现象和结果之间关系的基本方法之一，本文调查了因果关系在过去五十年的发展，揭示了它与其他方法的差异以及使用它的前提条件，同时阐明了因果关系与人工智能、生成式人工智能、机器学习、深度学习、强化学习和模糊逻辑等新方法的相互作用及其对各个领域的影响和贡献，以及其模型的可信度和可解释性，并提出了几种评估因果关系模型的方法，并讨论了未来的发展方向。

Mar, 2024

本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

May, 2023

本文回顾和综述了有关因果推理及结构发现方法的背景理论，重点介绍了现代连续优化方法，并提供了参考资源如基准数据集和软件包。最后，我们还讨论了从结构到因果所需要的假设性跳跃。

Mar, 2021

本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。

Nov, 2022