提出了一种适用于工业自动化领域的统一因果性模型，描述了 CPS 的行为，促进不同学科之间更好的沟通和数据使用，可作为机器学习等新方法应用于工业自动化的基础。

Sep, 2022

部署因果模型的无人机系统在盐矿环境中遇到了混淆因素、非稳态和无法提前构建完整因果模型等挑战，为了解决这些问题，我们提出了一种基于概率因果框架的解决方案，其中包括因果知识驱动的 POMDP 规划、在线 SCM 调整和事后可反事实解释。同时，我们将计划进行实验，评估这一框架在模拟矿山环境和真实矿山数据集上与无人机系统的集成效果。

Aug, 2023

本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

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

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

我们提出了一种系统的方法来揭示真实的业务过程的因果关系，通过利用现有的因果发现算法和活动时序，发现了现有的过程挖掘发现算法生成的模型与因果业务过程模型不一致的情况，并演示了如何在挖掘过程模型中注释这些不一致性的方法。

Oct, 2023

本文介绍了如何利用因果机器学习方法加快处理汽车行业中的车辆质量问题，通过实际数据集展示了提出的框架，并讨论了车辆质量应用领域的挑战。

Mar, 2023

本文介绍了一种基于对象导向表现形式的迁移学习框架，该框架利用人类学习因果模型并将其用于环境的变量之间的迁移。作者将连续优化的结构学习技术应用于对象之间的因果关系的显式学习中，并通过基于因果知识的对象分类将其迁移到目标领域。最后，在强化学习中，作者结合了因果模型和无模型方法，实现对格子世界环境中的对象表现的优化。

Jul, 2020

本文介绍了因果机器学习（CausalML）方法，该方法将数据生成过程形式化为结构性因果模型（SCM），并从因果的角度探讨了干预和反事实的影响，同时将该方法归类为五类：因果监督学习，因果生成建模，因果解释，因果公平性和因果强化学习，并比较了每种类别中的方法，包括在计算机视觉，自然语言处理和图形表示学习等不同领域的应用，提供了因果基准的概述，以及对该新兴领域现状的关键讨论和未来工作的建议。

Jun, 2022

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