本研究将 3 层因果关系层次结构分为概率逻辑语言模型，第一层表达定量概率推断，第二层编码用于因果效应的 do-calculus 推理，第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程，并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。
Jan, 2020
本文主要研究如何从有限的数据中确定因果关系 —— 通过将先前的因果结构与贝叶斯估计相结合，该文提出了概率树作为可能的解决方案。研究发现，单一干预的信息增益、干预前的预期信息增益以及干预后预期得到的信息增益都有简单的表达式。因此给出了一种主动学习方法，即选择预期增益最高的干预方式，并通过几个例子予以说明；同时，该方法也展示了概率树及其参数的贝叶斯估计提供了一种简单而可行的快速因果归纳方法。
May, 2022
在决策理论基础上，我们提出了因果关系的定义，并为因果推理提供了有原则的基础。我们的定义不同于传统的因果关系视角，因为因果断言可能随着可用决策集的变化而变化。我们认为这种方法增强了因果关系的清晰度。此外，我们还研究了有向无环图中因果关系的编码，我们描述了一个特殊的影响图类，即标准形式下的影响图，并展示了它与 Pearl's 的因果关系表示法的关系。最后，我们展示了标准形式如何促进反事实推理。
Dec, 1995
因果推理和反事实推理是数据科学中的新兴方向，尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术，并发现传统统计分析方法无法揭示变量之间的关系本质，其中反事实推理变得非常有价值。
Jan, 2024
本文提供基于因果关系树的贝叶斯网络解释方法，并结合现有方法讨论了解释所需的必要条件，比较了方法在已知网络上的效果。
Jun, 2012
本文介绍了一种基于单个观测数据进行因果推断的方法，使用条件算法互信息代替因果马尔科夫条件中的条件随机独立性，解释了单个对象之间相似性的因果图生成，并使用可判定复杂度标准替代 Kolmogorov 复杂度，提出了一种新的因果推断原则，从而可以在 Markov 等价因果图之间进行选择。
Apr, 2008
本文研究一种基于 Monte Carlo 采样的 “前向” 算法家族，用于解决在信念网络上计算概率推理的问题，并提出了几种改进策略以降低后验方差。
Mar, 2013
本文介绍了一种逻辑语言，用于表示概率因果律，该语言可以被用于概率逻辑编程，并且可以自我解释为概率因果律的表示方法，从而提供了解释这些编程背后想法的新方法。
Apr, 2009
本文利用经典的统计测试方法，于大数据中设计出一种可扩展且自动化的因果关系探索方法，即基于具有因果解释的决策树分类方法，旨在解决因果关系的发现问题。
Aug, 2015
该论文提出了一种简单的推理理论，用来从数据中完全推理符号知识。采用贝叶斯方法模拟数据如何导致符号知识，符号知识的概率推理被建模为正向与反向因果推理的过程。该理论应用于机器人本地化问题，研究表明机器人在完全基于数据的情况下，即使传感器出现故障或噪声也可以高效解决问题。
Jan, 2023