本文从科学模型、抽象、因果模型、近似抽象和概率因果模型等方面出发，对因果模型的抽象方法进行了详细分析，平衡了低层和高层因果模型之间出现的差异，并在此基础上进行了扩展。

Jun, 2019

本文提出了将因果抽象扩展到软介入，通过将非常量函数分配给变量，而不添加新的因果关系来增强因果抽象。具体而言，我们将 $ au$- 抽象从 Beckers 和 Halpern（2019）推广到软介入，并提出了进一步的软抽象定义来确保软介入之间存在唯一的映射，同时证明了我们的构造软抽象定义可保证干预映射具有特定和必要的显式形式。

Nov, 2022

本文提出因果抽象理论作为高层次的 AI 模型解释的数学基础，使用因果抽象分析来确定可解释的高层次因果模型是否忠实反映了 AI 模型的行为和内部结构，同时我们还定义了近似因果抽象的概念以度量高层次因果模型对底层模型的抽象程度，并将 LIME、因果效应估计、因果中介效应分析、迭代零空间投影和基于电路的解释方法形式化为因果抽象分析的特例。

Jan, 2023

采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为 Abs-LiNGAM 的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。

Jun, 2024

本文提出了一个基于 Rischel（2020）提出的抽象形式化理论的因果抽象学习框架，并给出了一个可微分编程解决方案，以在人造数据和电动汽车电池制造领域中实现了关于多个分辨率级别的因果关系推理。

Jan, 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

本文提供了一个基于语义的框架，旨在分析高层次建模与其低层次对应模型间的一致性，以及针对概率模型的抽象方法和自动推导方法。

Oct, 2018

本篇论文主要研究在不同抽象层次上使用因果模型的特性，旨在学习到新的抽象模型，研究者通过定义形式化学习问题，并采用优化和信息损失函数来阐明抽象过程。

Aug, 2022

本文介绍了一系列干预措施，以帮助代理人在不同抽象水平之间进行权衡，探究其中信息的一致性和损失，并提出了用于评估和学习因果抽象的算法。最后，我们通过实证表明了不同措施和算法选择可能导致不同的抽象。

May, 2023

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