数据流计算是一种用于多种系统工程的范式，具有潜力成为数据驱动应用程序开发的选择。数据流计算的特征之一是对整个系统的数据流图的自然访问。最近，观察到这些数据流图可以被视为完全的图形因果模型，从而开放了将因果推理技术应用于数据流系统的机会。在本篇论文中，我们旨在提供首个实际验证这个想法的论文，并特别关注因果故障定位。我们提供了多个演示，它们展示了如何使用因果推理在三个现代数据流引擎中检测软件错误和数据偏移的多种情况。
Apr, 2023
提出了一种名为 GFlowCausal 的新方法，通过逐步添加直接边将图搜索问题转变为生成问题，从而从观测数据中学习一个有向无环图 (DAG)，并使用基于可传递闭包的即插即用模块确保高效的采样，理论分析表明，此模块能够有效地保证无环特性和最终状态与完全连接图之间的一致性，实验结果表明该方法具有显著优势，并且在大规模设置下也表现良好。
Oct, 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
我们提出了一种新颖的基准套件，涵盖了各类任务、基准模型、图形数据集和评估工具，并提供了一个广义方法来处理不同域中与流相关的任务，作为蓝图和路线图。
Aug, 2023
引入因果图归一化流（causal-graphical normalizing flows, cGNFs）这一新方法，该方法利用深度神经网络对以有向无环图（directed acyclic graphs, DAGs）表示的理论进行经验评估，模型所显示的数据的完整联合分布，而无需对函数形式进行严格的假设，从而可以对由 DAGs 确定的任何因果估计量进行灵活的半参数估计，包括总效应、条件效应、直接和间接效应以及路径特定效应。
Jan, 2024
提出一种基于条件互信息的信息流定义方法，通过算法在计算系统的时间展开图中检测信息流，并满足信息路径存在的可靠属性。
Feb, 2019
通过引入 Flows 的概念框架，建立和研究结构化互动的系统化方法是非常重要的，研究表明结构化推理和协作能显著提高泛化能力，其中 AI Flows 的加成为 +21，人工智能和人类的协作加成为 +54（以解决率为指标），并且引入的 aiFlows 库可以支持快速且严谨的研究。
基于新的等效形式主义，提出了一种新的因果生成模型，利用拓扑排序从观测值中推断顺序，设计了基于 Transformer 的架构来学习固定点结构因果模型，并通过广泛的评估表明该模型在生成的超出分布问题中胜过多个基准模型。
Apr, 2024
本文介绍了如何在制造领域中通过先前知识和过程数据的结合使用结构方程模型来推导因果关系，与现有应用程序相比，我们不假定线性关系，从而得到更丰富的结果。
这篇论文探讨了利用自回归流模型进行因果推断任务，包括因果关系发现、干预预测和反事实预测，并提出了一种新的流结构来执行所有三个任务，该方法在综合数据和基准数据集上得到了有效验证。
Jul, 2020