本文提出了 CITRIS，一个基于变分自编码器的框架，通过观察可能受到干预的图像序列，学习掌握因果关系。与过去文献不同的是，CITRIS 结合了时间因素和观察干预目标，实现了识别标量和多维因果因素（例如 3D 旋转角度）的能力，并使用归一化流扩展到更广泛的情景。实验结果表明，CITRIS 优于以前的方法，甚至可以泛化到因果变量的新实例。

Feb, 2022

DECAF 是一个从时间序列图像学习因果表示的框架，通过与现有的因果表示相结合，在新环境中准确表示只需很少的样本。

Mar, 2024

通过学习具有因果模型语义的潜在变量表示形式，此研究论文探讨了因果模型在人工智能中的应用和理论基础，重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。

Jun, 2024

提出了一种名为 IDOL 的可用于识别瞬时潜在动态的识别框架，借助于稀疏影响约束和基于时间序列数据的上下文信息建立了潜在因果过程的可辨识性结果，通过时间变分推断架构和基于梯度的稀疏规则识别潜在因果过程。在模拟数据集上的实验结果表明，我们的方法可以识别潜在的因果过程，并且在具有瞬时依赖关系的多个人体运动预测基准测试中的评估结果表明了我们方法在现实世界环境中的有效性。

May, 2024

在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。

Feb, 2024

论文回顾了因果推断的基本概念，并将其与机器学习的关键问题联系起来，提出了因果表示学习的核心问题，并提出了机器学习和因果学研究领域的关键研究方向。

Feb, 2021

Causal Representation Learning (CRL) is an ill-posed problem combining representation learning and causal discovery, and this paper presents a novel approach based on weak constraints and observational mixing, which achieves identifiability without temporal structure, intervention, or weak supervision. The paper also introduces a self-supervised estimation framework that outperforms existing baselines in CRL and demonstrates robustness against latent confounders and causal cycles.

Oct, 2023

提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在模拟和真实数据集上进行了大量实验证明了 RealTCD 框架相对于现有基准的优越性。

Apr, 2024

本文研究在机器学习中从观察数据中识别因果关系的问题，探讨如何帮助学习高级变量及其中的因果结构，并介绍了一套基于强化学习的环境用于测试表示学习算法的性能。研究表明，模型中显式地融合结构和模块化有助于因果识别。

Jul, 2021

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022