本文综述了现有的因果推理方法在视觉表征学习中的应用，探讨了当前方法和数据集的限制，并提出了因果推理算法基准的前景挑战、机会和未来研究方向，以更有效地实现可靠的视觉表征学习及相关应用。

Apr, 2022

本文讨论因果语言如何对医学影像机器学习中的主要挑战（数据稀缺性和数据不匹配）进行分析，为数据收集，注释程序和学习策略的决策提供更透明的解释。研究发现，在医学影像数据中，考虑因果关系对于机器学习的安全性、法规性和责任报告至关重要。

Dec, 2019

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

本文介绍了一种用于从事件序列数据中恢复因果关系的可视化分析方法，它已将 Hawkes 过程的 Granger 因果分析算法扩展到包括用户反馈的因果模型细化，并具有一组新颖的可视化和交互。通过一系列的定量和定性评估以不同的应用领域中的案例研究来展示这一系统的实用性。

Sep, 2020

基于深度学习的方法已经颠覆了人工智能领域。本文综述了在典型的计算机视觉和视觉语言任务中，深度学习的基础、稳定性以及存在的问题，并总结了因果理论对解决这些问题的优势以及构建因果模型的方法。未来的规划包括促进因果理论的发展并在其他复杂场景和系统中应用。

Jul, 2023

本文提出了一种基于视频无监督学习的因果发现方法，结合感知、推理和动力学模块，能够从短序列的关键点信息中高效地发现物体、环境变量之间的相互作用，并做出反事实推理和未来预测。

Jul, 2020

该研究通过学习方法建立了一个分类器来有效地区分静态图像中物体特征和其背景特征，从而实现了揭示物体类别中因果属性存在的可观测足迹的目标。

May, 2016

本文提出了一种新的任务，即在事件序列（即上下文）中检测常识因果推论，称为上下文常识因果推理，并设计了一个零 - shot 框架：COLA（上下文常识因果关系推理器）来解决任务；实验结果表明，COLA 可以比基线更准确地检测常识因果关系。

May, 2023

提出了一种从语言模型中提取因果知识的框架 CaKE-LM，用于解决视频因果问答问题（CVidQA），并在 NExT-QA 和 Causal-VidQA 数据集上取得了显著的优势。

Apr, 2023

该研究关注如何将视觉内容整合到对话 AI 系统中，提出了一种基于视觉上下文的任务，利用在线教育视频数据集自动训练一个多模态视觉 - 语音预测模型，能够优于基于文本输入的基准模型，并在多个 VideoQA 基准测试中获得最先进的表现.

Dec, 2020