本篇论文主要研究在不同抽象层次上使用因果模型的特性，旨在学习到新的抽象模型，研究者通过定义形式化学习问题，并采用优化和信息损失函数来阐明抽象过程。

Aug, 2022

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

本文介绍了一系列干预措施，以帮助代理人在不同抽象水平之间进行权衡，探究其中信息的一致性和损失，并提出了用于评估和学习因果抽象的算法。最后，我们通过实证表明了不同措施和算法选择可能导致不同的抽象。

May, 2023

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

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

本文介绍了一种名为分布式对齐搜索（DAS）的方法，它使用梯度下降来找出高层和低层模型之间的对齐，并允许单个神经元在非标准基中扮演多个不同的角色，从而发现了其他方法所错过的内在结构，为进行因果抽象分析消除了前期的限制。

Mar, 2023

采用因果理论的角度来解决迁移学习的问题，在 OpenLock 环境中实现了基于模型和 Bayesian 结构的计划者与模型学习方案，与强化学习相比，该模型表现出更好的迁移表现和类似于人类学习者的表现趋势。

Nov, 2019

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

本文提出了将因果抽象扩展到软介入，通过将非常量函数分配给变量，而不添加新的因果关系来增强因果抽象。具体而言，我们将 $ au$- 抽象从 Beckers 和 Halpern（2019）推广到软介入，并提出了进一步的软抽象定义来确保软介入之间存在唯一的映射，同时证明了我们的构造软抽象定义可保证干预映射具有特定和必要的显式形式。

Nov, 2022

本研究提出了第一种从观测和干预数据中学习抽象映射的方法 COTA，通过引入多边际最优传输和干预信息的成本函数，实现了对多个粒度的结构因果模型进行关联的方法，并证明了其在合成和真实世界问题中的优势以及作为数据增强工具的高效性。

Dec, 2023