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

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

从文本中提取相关原因和效果，检测因果关系的任务中，通过对三种序列标记模型进行彻底分析，并将其与基于跨度的因果性抽取方法进行比较，我们发现，与以往的复杂架构的最新模型相比，预训练语言模型（如 BERT）提供了显著的性能提升。我们观察到，基于跨度的模型在所有 4 个来自不同领域的数据集中，对于不同类型的因果短语表现更好。

Aug, 2023

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

论文提出了一种基于序列标注的原因提取方法，使用 SCITE，一个基于 BiLSTM-CRF 的神经因果提取器，并引入多头自注意力机制和 Flair embeddings 以提高性能，并在公共数据集上进行实验，结果表明相比于基线方法，该方法取得了显著且一致的提升。

Apr, 2019

本文介绍了一种新的精细化因果推理数据集，并在自然语言处理中提出了一系列新的预测任务，例如因果检测、事件因果提取和因果问答。作者通过大量实验和分析表明，数据集中的复杂关系对最先进的方法带来了独特的挑战，并强调了潜在的研究机会，特别是在发展 "因果思维" 方法方面。

Apr, 2022

介绍了 FinCausal 2020 共享任务和相关思路，对参与的系统和结果进行了讨论，该任务提供了两个子任务，即二元分类任务和关系抽取任务。共有 16 个团队参赛，在两个任务中提交了 runs，其中 13 个团队的系统描述论文做出了贡献。该研讨会与 “金融叙事处理和多语种金融摘要（FNP-FNS 2020）” 联合研讨会相关联，该会议于 2020 年 9 月 12 日在西班牙巴塞罗那举行，属于第 28 届国际计算语言学会议（COLING '2020）

Dec, 2020

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

采用黑盒结构化输入输出模型进行预测并通过干扰输入生成相关性图和解决分割问题来解释黑盒模型预测，着重于序列生成问题并采用变分自编码器来产生有意义的干扰，我们在多个 NLP 序列 - 生成任务中测试了该方法。

Jul, 2017

本文研究了 Conditional Variational AutoEncoder（CVAE）生成回答时常常与原问题不相关或缺乏逻辑性的原因，并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上，提出了动态话题图引导的条件变分自动编码器（TGG-CVAE）模型，用于补充语义空间并减少响应中混淆偏差。实验证明，所提出的模型能够生成相关且信息量丰富的回答，并在自动评估和人类评估方面优于现有的最先进模型。

Sep, 2022