一切皆有因：在法律文本分析中利用因果推断

ACLApr, 2021

一切皆有因：在法律文本分析中利用因果推断

Everything Has a Cause: Leveraging Causal Inference in Legal Text Analysis

Xiao Liu, Da Yin, Yansong Feng, Yuting Wu, Dongyan Zhao

TL;DR本论文提出了一种新颖的基于图的因果推理（GCI）框架，可以从事实描述中构建因果图，以帮助法律从业人员做出适当的决策，并且该框架中的因果知识可以有效地注入强大的神经网络以获得更好的性能和可解释性。

Abstract

causal inference is the process of capturing cause-effect relationship among variables. Most existing works focus on dealing with structured data, while mining causal relationship among factors from unstructured data

causal inference unstructured data graph-based causal inference (gci)legal domain neural networks

发现论文，激发创造

因果发现综述：理论与实践

本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

May, 2023

针对时间序列事件从文本中检测和解释原因

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

从依赖到因果

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

利用文本进行因果推断的方法

文章提出了一种使用新的数据技术进行文本数据分析的概念框架，以发现可以测试社会科学理论的有用标准，并提供了一种基于隐含表征的文本数据推理方法。

Feb, 2018

从自然语言文本中自动提取因果关系：综述

本文综述了早期人类构造的语言和句法规则以及最新机器学习技术在提取因果关系上的应用，并分析了它们的优劣，建议未来的研究方向。

May, 2016

计量经济学中的因果推断和数据融合

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

因果推断综述

本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

Feb, 2020

指导式因果关系生成

本研究提出了一种基于条件的文本生成框架，依赖于 CausalBank 和 Cause Effect Graph 两个新资源开发，并使用词汇约束解码来支持析取正约束，利用 CausalBank 对最近一种最先进的因果推理模型的编码器进行持续训练，在不改变模型架构的情况下在 COPA 挑战集上取得了 3 分的提高。

Jul, 2021

用大型语言模型叙述因果图

使用生成性人工智能从因果图生成文本描述的能力得到了实证调查，发现相对于基于事实的图形，因果文本描述在零 - shot 设置下更难生成，但使用少量示例进行模型训练与通过大型策划数据集进行微调获得类似的性能。

Mar, 2024

使用文本分类器进行因果推断的挑战

本研究探讨了文本分类器在因果推断中的应用，研究结果表明其可用于基于语言数据的因果分析，并讨论了使用文本数据进行因果推断的机会和挑战。

Oct, 2018