本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例，展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面，揭示了通过观察自然现象发现根本定律和因果关系的过程正在通过更好地利用观测数据、先进的机器学习算法和与领域知识的互动得到革命性的变革。

May, 2023

本文综述了在潜在结果框架下，针对观察数据的因果推断方法。这些方法分为两类，包括传统的统计学方法和最新的机器学习方法，还介绍了这些方法在广告、推荐、医学等领域的应用以及常用的基准数据集和开源代码。

Feb, 2020

本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

Mar, 2023

本文回顾和综述了有关因果推理及结构发现方法的背景理论，重点介绍了现代连续优化方法，并提供了参考资源如基准数据集和软件包。最后，我们还讨论了从结构到因果所需要的假设性跳跃。

Mar, 2021

使用符号表示对假设引导论证（ABA）进行推理可以支持因果关系的发现，此方法在使用答案集编程（ASP）实现后在因果发现的标准基准测试中表现良好。

May, 2024

基于经典算法运行在较小变量子集上的深度学习模型识别因果结构，达到了与现有模型相比具有数量级更快的推理速度，具备针对合成和真实数据集的最先进性能，并能概括到在训练期间未见过的数据生成机制。

Feb, 2024

因果关系是各个领域研究事件、现象和结果之间关系的基本方法之一，本文调查了因果关系在过去五十年的发展，揭示了它与其他方法的差异以及使用它的前提条件，同时阐明了因果关系与人工智能、生成式人工智能、机器学习、深度学习、强化学习和模糊逻辑等新方法的相互作用及其对各个领域的影响和贡献，以及其模型的可信度和可解释性，并提出了几种评估因果关系模型的方法，并讨论了未来的发展方向。

Mar, 2024

寻找自动化搜索方法，从观察数据中学习因果结构；讨论潜变量和观察变量之间的因果联系以及它们之间的潜在模式和结构；提出了不同于高斯分布条件的 k - 三角性忠诚度的另一定义，可用于非高斯分布；轻松学习具有潜变量的因果结构的充分性假设。

Aug, 2023

我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。

Sep, 2023

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