CAUSE 是一个新颖的框架，通过拟合神经点过程来隐式捕捉事件互依存关系，然后使用公理归因方法从过程中提取格兰杰因果统计量，以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上，CAUSE 表现优于一系列最先进的方法，能够正确推断一系列事件类型之间的格兰杰因果关系，包括在具有不同事件互依存关系的数据集上。

Feb, 2020

提出一种基于时间序列的 Granger 因果关系并结合文本数据进行因果关系的提取，建立事实间的因果联系，使用神经元的推理算法训练常识因果关系对下一个因果步骤的预测，并取得了实验证据支持该方法从时间序列文本特征中提取有意义的因果联系并生成适当解释

Jul, 2017

利用大型语言模型 (LLM) 的最新进展，我们提出了首个事件因果识别方法，从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系，我们的技术表现与监督模型相当，同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进，我们的发现表明事件因果在计算机故事理解中有巨大的潜力。

Nov, 2023

该研究探讨了一些方法，用于学习事件序列中的因果关系，包括循环和非循环人工神经网络（ANNs）以及基于直方图的算法。其中，注意力循环人工神经网络表现最佳，而直方图算法明显优于所有人工神经网络。

Feb, 2024

本文提出了扩展格兰杰因果关系方法，应用于多个混沌时间序列和其他非线性信号，同时在三个或更多时间序列的情况下提出了条件扩展格兰杰因果关系度量。

May, 2004

我们研究了在数据点序列中预测和解释事件发生的挑战，特别关注未知触发器导致事件发生的非连续、屏蔽和嘈杂数据点的情况。通过结合分析、仿真和机器学习方法，我们探索、量化和提供了解决此挑战的解决方案，并确证了支持各种变化的通用方程。使用这些方程，我们描述了复杂性如何随各参数变化（例如，明显和隐藏状态的数量、触发器长度、置信度等）而变化，并量化了成功训练机器学习模型所需的数据。我们还证明了我们的机器学习解决方案能够学习和识别未知触发器并预测事件的发生。如果挑战的复杂性过高，我们的机器学习解决方案可以识别触发器候选项，以更高效的方式与正在调查的系统进行交互，以确定真正的触发器。通过分享我们的发现，我们希望帮助其他面临类似挑战的人们，让他们能够估计问题的复杂性、所需数据以及解决方案。

Jun, 2024

本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。

Dec, 2020

通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

Oct, 2023

本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件，通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。

Aug, 2017

本文提出了 Structure Hawkes Processes (SHPs) 用于从离散时间事件序列中学习事件类型之间的因果结构，利用瞬时效应解决因果关系同步发生的识别问题，并通过理论和实验结果验证了该方法的有效性。

May, 2023