部分指定的因果模拟
CausalSim 是一个建立在因果推断框架之上的模拟器，其使用一个基于张量补全问题的方法去消除由于算法选择导致的偏差，实验表明使用 CausalSim 进行模拟的结果比专家设计和监督学习的基准结果平均下降了 53% 至 61%。
Jan, 2022
通过引入 CausalPlayground，我们解决了当前数据生成库的不足之处，提供了一个标准化的平台用于生成、采样和共享结构性因果模型，从而促进了该领域中更高效和可比较的研究。
May, 2024
通过干预模拟程序的概念分析条件推理，我们将其扩展到概率仿真模型的情况，定义了条件语言中的概率并证明了其基本结果。同时，我们在该设置中发现了关于概率的线性不等式推理的公理化方法。我们证明了该逻辑的可满足性问题的正确性、完备性和 NP - 完全性。
Jul, 2018
本研究通过收集来自装配线的复杂数据集，建立了一个半合成制造数据的系统，通过分析其中的因果关系和使用 Python 库 causalAssembly 进行了多种因果推理算法的基准测试，以验证别人的因果关系学习算法在真实数据中的正确性和有效性。
Jun, 2023
本文通过介绍一个基于干预模拟程序的条件推理方法来形式化和涵盖 AI 领域内一些条件思维方法，提出了若干公理化结果，并确立了该满足性问题的 NP 完备性，与现有框架（正常性排序模型，因果结构方程模型）进行比较。 一些基本的逻辑原理在我们的因果模拟方法中被证明是无效的。 尽管如此，作者认为该方法对于建模某些直观的例子是很重要的。
May, 2018
我们提出了一种新的后验抽样方法，其中先验以环境变量之间的（部分）因果图形式给出，该方法称为 C-PSRL，在同时学习更高层次的完整因果图和更低层次的分解动力学参数时，明确了其贝叶斯遗失与先验知识的程度之间的关系。我们在说明性领域进行的数值评估证实了 C-PSRL 在先验信息不足的情况下极大提高了后验抽样的效率，并且性能接近使用完整因果图进行后验抽样。
Oct, 2023
通过构建名为因果室的计算机控制实验室，研究人员可以在各个领域中快速、廉价地生成大量来自非平凡但易理解的物理系统的数据集，并提供一种丰富的算法测试平台，解决因果发现、分布外泛化、变点检测、独立成分分析和符号回归等问题。
Apr, 2024
该研究论文提出了一种利用约束编程方法结合先前知识和理论洞见的实用方法，从而解决了时间序列数据中因果学习算法估计的图形结构提供高度误导性因果信息的问题，并且可以扩展到大型随机变量集合，并不需要精确知道时间尺度差异。
May, 2022
本文主要是探讨针对实验性研究、观察性研究和实用性临床试验中的结构因果模型的应用，并提供了一种建立 PCT 的标准化结构因果模型的方法，该方法可以使用 do-calculus 等数学运算，以此来更好地分析和利用临床数据。
Apr, 2022