机器学习的因果关系
该研究阐述了建立和理解人工智能系统的基本思想：从符号方法到统计学习，再到基于因果关系概念的干预模型，其中一些机器学习和人工智能的难题内在地与因果关系有关，而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。
Apr, 2022
因果分析对于可解释的深度学习和泛化提供了有前景的途径，通过将因果性纳入人工智能算法，并利用气象可预测性初次构建严格的因果分析形式体系，在过去的 18 年中，成功解决了以往因果性分析中模糊、非数量化、计算效率低等挑战，并通过广泛应用在大气海洋科学以及其他学科领域，如量子力学、神经科学、金融经济学等，带来了科学发现。本文简要回顾了这十年来的探索工作，包括重要的理论结果列表、因果深度学习框架的概述以及与地球科学相关的一些实际应用，例如关于全球变暖人为原因、El Niño Modoki 的年代预测、中国极端干旱的预测等。
Feb, 2024
通过研究文献，我们发现因果关系和可解释人工智能 (XAI) 是紧密联系的，彼此之间存在三种关系视角：缺乏因果关系限制了当前人工智能与可解释人工智能方法的发展，理想的解释形式的探索，以及因果关系作为可解释人工智能的先导，并通过从因果关系中借用概念、利用反事实以及将因果模型作为自我解释等方式进行研究。通过提供相关软件解决方案，我们为自动化因果任务提供了补充分析，并强调了因果关系和可解释人工智能领域之间的潜在领域桥梁和可能的限制。
Sep, 2023
机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。
Jul, 2016
机器学习与因果推断的新兴融合方法介绍，涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想，并使用现代预测工具来进行这些模型的推断。
Mar, 2024
为了实现强人工智能，机器学习系统需要现有因果推断任务所使用的现实模型等形式来进行指导，以克服当前系统以统计或无模型方式运行时的理论性局限和性能障碍。该论文总结了现有系统无法完成的七个任务，并说明了现实模型对机器学习系统的必要性。
Jan, 2018