该研究论文讨论数字技术在教育中的应用，说明了通过分析数百万学生对诊断性问题的回答，可以更准确地了解学生的学习状态，并允许自动化的个性化学习计划建议的可能性。

Jul, 2020

本篇研究提出了一种深度知识追踪模型中的新型因果门循环单元（ GRU）模块，使用学习排列矩阵及以可选学习下三角矩阵的方式，解决了技能之间的因果关系问题，该解决方案在教育领域中有着重要的应用价值。

May, 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

这篇研究论文旨在介绍数据科学中的因果推理对机器学习的重要性，包括因果推理的原则、机器学习的应用，以及与之相关的扩展视野和知识，特别关注机器学习中的分布外泛化问题。

May, 2024

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

机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

Jul, 2016

本文描述了我们在 CASE-2022 中参加亚任务 1: 使用正式新闻语料库的事件因果关系识别。我们通过利用一组简单但互补的技术，在少量有注释的示例（即少数派配置）上对语言模型（LM）进行微调，从而解决了因果关系识别（CRI）任务。我们比较了这种方法与在整个数据集上训练的集成技术的表现。我们的表现最佳的提交仅使用了每类 256 个实例的微调，占所有可用数据的 15.7％，而且具有次佳的精度（0.82），第三高的准确度（0.82），F1 分数（0.85）非常接近胜利团队所报道的（0.86）。

Sep, 2022

提出了一种新的因果关系框架 —— 因果深度学习，这个框架包括三个维度：结构维度、参数维度和时间维度。该框架可以在利用不完整的因果知识的同时，结合多种因果深度学习方法，解决各种实际问题，从而实现真正的实际影响。同时，这个框架还可以让研究人员系统地对现有工作进行比较，并找出有前途的研究领域。

Mar, 2023

通过分析 CausalBench 挑战赛中的方法提交情况，提升了基因 - 基因相互作用网络的构建能力，为生物学和医学领域关键任务的状态提供了改进和新的技术水平。

Aug, 2023

Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.

Feb, 2024