本研究将3层因果关系层次结构分为概率逻辑语言模型，第一层表达定量概率推断，第二层编码用于因果效应的do-calculus推理，第三层捕捉任意反事实查询。相关的公理化表达完全考虑了因果模型和概率编程，并证明了每种语言的可满足性和有效性都可以在多项式空间内可判定。

Jan, 2020

本文使用范畴论方法对因果模型进行了分类处理，从“纯因果”的角度定义了因果独立/分离、因果条件等重要概念，并产生了一个核心部分的语法版本的syntactic do-calculus在所有因果模型中继承。

Apr, 2022

本文提出了一种基于范畴论的普适因果推断框架(Universal Causality)，利用范畴论架构了一种抽象的因果关系图示，提出了“范畴”、“自然变换”和“函子”这些概念，从而构建了一种通用的因果语言工具并且给出了普遍性因果定理（UCT）和因果再现性原则（CRP）。

Jul, 2022

本文综述了针对结构因果模型（SCMs）在不同级别抽象间建立关系的问题上已提出的解决方案，着重于SCMs之间的映射的形式特性，并强调了可在其上实施此特性的不同层次（结构、分布）。此理解不仅允许区分具有更多意识的因果抽象提案，而且还允许针对特定应用程序的相关抽象形式定制抽象定义。

Jul, 2022

使用高阶范畴论，提出了一种统一形式化结构发现因果模型和强化学习中预测状态表示模型的方法，并通过寻找内部和外部Horns的扩展，解决了潜在结构发现的数学问题。

Sep, 2022

本文提出因果抽象理论作为高层次的AI模型解释的数学基础，使用因果抽象分析来确定可解释的高层次因果模型是否忠实反映了AI模型的行为和内部结构，同时我们还定义了近似因果抽象的概念以度量高层次因果模型对底层模型的抽象程度，并将LIME、因果效应估计、因果中介效应分析、迭代零空间投影和基于电路的解释方法形式化为因果抽象分析的特例。

Jan, 2023

本文引入了字符串图表语言解释的因果模型框架，并呈现了其在方向无环图的应用以及如何作为单个数学对象来思考。通过引入具有“复制-丢弃”结构的对称膜范畴(cd-范畴)中的随机映射、函数或通道，我们将单纯因果模型的概念推广为基于网络图的因果模型和泛函因果模型的定义，并对一般干预、开放式因果模型进行了讨论及定义。同时，本文还定义了马尔可夫条件、逆因果与反事实关系等概念，并设计了一个基于归一化框的条件推断方法诠释因果效应与反事实关系的可辨认性问题。该研究具有广阔的应用领域和教育意义。

Apr, 2023

本论文旨在准确明确 Rubin 因果模型（RCM）和结构因果模型（SCM）框架之间的关系，揭示 SCMs 框架中隐含的代数约束规则，指出 SCM 原则在经典应用中的重要作用。

Jun, 2023

通过聚类变量及其域的方法，发展了一种新的因果抽象方法，以更好地适应由Pearl的因果层次结构引发的个体因果分布，并进一步将这些结果与表示学习相结合，将这些结果更接近实际应用。

Jan, 2024

采用线性因果模型的线性抽象函数，本研究首先确定了低级系数和抽象函数如何决定高级系数，以及高级模型如何约束低级变量的因果顺序；然后，通过观测数据学习了高级和低级因果模型及其抽象函数，并提出了一种名为Abs-LiNGAM的方法，利用所学高级模型和抽象函数所引导的约束，加快了更大规模低级模型的恢复过程，假设产生噪声项为非高斯分布；通过模拟实验验证了从数据中学习因果抽象的有效性以及我们的方法在改善因果发现的可扩展性方面的潜力。

Jun, 2024