用对称单调类别的替代公理基础取代经典概率论，从而在没有概率理论适用的因果设置中，用纯语法算法描述一般因果识别的方法。

Mar, 2024

本文研究了在可以进行一系列干预的因果模型中全局优化感兴趣的变量的问题，提出了一种新算法 Causal Bayesian Optimization (CBO)，结合了因果推断、不确定性量化和序贯决策等思想，同时考虑了经典的探索 - exploitation 与新型的观测 - intervention 的平衡，通过应用于不同场景中，显示出了该方法的优越性。

May, 2020

Causal Bayesian Networks 中的结构学习算法通过动态识别和请求不确定关系的知识，实现了较大的结构准确性提升，并提供更有效地利用人类专业知识的方法，促进结构学习过程的透明度。

Oct, 2023

本文提出了一种受到约束的因果贝叶斯优化方法（cCBO），可在已知因果图中找到优化目标变量并符合某些约束条件的干预措施；我们提出了不同的代理模型，能够融合观察和干预数据，并捕获不同层次的效果相关性。在人工和真实世界的因果图中进行了评估，显示出快速收敛和可行性干预比例间的成功权衡。

May, 2023

本论文提出了一种结合贝叶斯方法和约束方法的算法，用于解决从有限数据集进行因果推断的准确性和稳健性问题。

Oct, 2012

本文使用自我注意力瓶颈的人工智能智能体来研究看到事物的方法，该智能体通过选择性注意力获取只关注任务关键的视觉信息，解决了低参数化和在存在干扰时泛化能力不强的问题，可适用于视觉增强学习任务.

Mar, 2020

大脑通过形成逻辑一致且具有预测能力的现实模型来反映外部世界的因果关系，表现为意识。同时，这篇论文解决了统计模糊性的问题并提供了因果关系的正式概率最大具体规则模型。我们认为大脑从因果关系中进行了所有可能的推理，并证明了所提出的模型具有明确的推理性质：从一致的前提我们推导出一致的结论，从而形成了对感知世界的一致模型。因果关系可以创造出循环可预测属性的固定点。我们考虑了约翰・S・密尔引入的 “自然” 分类，并展示了对象属性的各种固定点形成了外部世界的 “自然” 分类。然后我们考虑了埃莉诺・罗施和鲍勃・雷德引入的 “自然” 类别和因果模型的概念，并证明了我们感知到的对象属性的因果关系固定点形式化了这些概念。如果 “自然” 分类描述了外部世界的对象，而 “自然” 概念描述了对这些对象的感知，那么由 G・托诺尼提出的综合信息理论描述了大脑的 “自然” 概念形成的信息过程，反映了 “自然” 分类。我们认为综合信息提供了高度准确的对象识别能力。此外，本文还提供了一个基于计算机的实验，展示了编码数字的固定点形成。

Dec, 2023

在本论文中，我们考虑了在 Causal Bayesian Optimization 基础上的一般化问题，即其他代理或外部事件也会对系统进行干预。我们将此广义 CBO 的形式化称为 Adversarial Causal Bayesian Optimization（ACBO），并引入了第一个具有有限遗憾的 ACBO 算法：Causal Bayesian Optimization with Multiplicative Weights（CBO-MW）。

Jul, 2023

本文提出了一种基于模型和因果贝叶斯优化算法的方法，学习一个完整的系统模型并通过乐观的原则进行探索和开发，以解决在未知结构方程模型下如何干预以最大化目标变量的问题，并通过实验得到了有益的结果。

Nov, 2022

通过概率分布和因果关系特征，提出了一种计算效率高的因果结构学习方法，并在合成和真实数据集上进行了验证。

Nov, 2022