本篇论文介绍了一种基于 agent assessment module 的 AI 系统执行高级指令序列并回答用户问题的方法，通过不同类别的查询来比较这种方法的计算要求和正确模型的学习所需的努力，并介绍了动态因果决策网络来捕捉 STRIPS-like 领域的因果结构。
Aug, 2021
本研究论文探讨了给新一代具身代理建立基础世界模型的前景，并对其中的因果关系的重要性提出了新的观点，指出整合因果考虑对于实现与世界的有意义的物理交互至关重要。最后，我们澄清了这一背景下的误解并展望了未来的研究。
Feb, 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
该研究探讨了在交互环境下，如何从正确的干预行为进行推理，并证明了在没有操作符的情况下，一个干预仍然可以被表示为变量，进而提出了一种去除预设抽象的形式化方法，透过归纳左右的抽象层次逐渐增加，直到能够代表自我和他人的干预效应，从而实现对意图与自我认知的推理。这种方法也被认为是对意识产生影响的机械解释。
Feb, 2023
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
该研究阐述了建立和理解人工智能系统的基本思想：从符号方法到统计学习，再到基于因果关系概念的干预模型，其中一些机器学习和人工智能的难题内在地与因果关系有关，而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。
Apr, 2022
通过基本行动的集合作为基本概念，建立元因果结构并确定有效的因果结构特性，避免了现实生活中因果关系交叉引用的循环问题，以适用于抽象领域和假想现实世界场景下的因果学习。
Nov, 2022
在没有已知基准图结构的情况下，从观察数据和干预数据中学习因果表示需要进行隐式潜在因果表示学习。本文通过软干预在变分自动编码器（VAE）框架中处理隐式潜在因果表示学习，提出了一种模拟软干预效果的方法，采用设计的因果机制切换变量在不同因果机制之间切换，实验证明相比基准方法，我们的方法能够稳定地改进可识别的因果表示的学习。
本文介绍一种新的框架 —— 结构性因果博弈，它将因果层级扩展到博弈论领域，以及介绍了一种基于因果游戏的 Python 库。该框架支持机械化博弈，定义了因果查询并与其他因果或博弈理论模型进行了比较。
Jan, 2023
使用元学习方法进行因果推断，通过深强化学习和元学习技术，可以在具有潜在因果结构的高维环境中，实现以干预为中心的因果推断。
May, 2020