我们提出一个新颖的框架，用于在随机序列多智能体环境中为智能体的决策提供因果解释，通过自然语言交流回答广泛的用户查询，涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图，而是依赖于相互作用的生成模型来模拟反事实世界，从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划，并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因，并向用户提供简明的解释。

Feb, 2023

本文提出了一种基于马尔可夫决策过程和 Gumbel-Max 结构因果模型的动态规划算法寻找决策过程中的反事实解释来优化决策，并在认知行为治疗的合成和真实数据上进行了验证。

Jul, 2021

本文概述了决策论框架的统计因果关系，该框架适合于解决确定应用原因的效果的问题，并详细介绍了该方法，并与其他当前的公式进行了比较和对比，涵盖的主题和应用包括混淆，对待疗法的影响，工具变量和动态治疗策略。

May, 2014

通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。

Aug, 2023

我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具，包括离散时间马尔可夫决策过程等各种重要设置。通过复杂的实验和深度学习，我们的框架揭示和量化了看似无法解释的因果链接。

Feb, 2024

通过观察决策者的干预偏好，我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型，我们表示因果关系，其中世界由一组变量组成，通过方程式进行关联。我们证明，如果干预偏好关系满足某些公理（与关于反事实的标准公理相关），那么我们可以定义（i）一个因果模型，（ii）捕捉决策者对世界外部因素的不确定性的概率，以及（iii）与每个干预相关的预期效用，并且如果干预 A 的预期效用大于干预 B 的预期效用，则干预 A 优于干预 B。此外，我们还对因果模型的唯一性进行了描述。因此，我们的结果使建模者能够测试决策者的偏好是否与某个因果模型一致，并且从观察行为中确定因果判断。

Jan, 2024

本文提出基于 Causal Graphical Model 的 Causal Decision Problem 的求解方法，并结合 Pearl 的 Do-Calculus 及 Expected Utility 原理，提出一种在线决策制定程序，可学习环境因果模型，并展示与经典强化学习算法具有类似的性能。因此，本文旨在提供基于因果信息的决策制定程序的优化保证。

Feb, 2019

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

在不稳定环境中进行的顺序决策和反馈延迟引起的问题，通过学习因果关系来减轻决策过程中的不利影响，本文将此问题形式化为具有因果关联奖励的非平稳和延迟组合半强盗问题，并通过数值分析在意大利使用合成和真实世界数据集来检测对 Covid-19 传播最重要的地区。

Jul, 2023

本文综述了决策制定中的不确定性状态，并关注走在经典解释之外的不确定性，尤其是区分了可变性不确定性和认知不确定性。作者提供了多种解决方案，包括离散和连续模型，从正式验证、控制抽象到强化学习，以优秀解法应对认知不确定性，并列举和讨论了处理丰富类型不确定性时出现的重要挑战。

Mar, 2023