迭代式 LLM 监督 CSL（ILS-CSL）框架通过将基于 LLM 的因果推理与 CSL 相结合，并从 LLM 中获得反馈，从而改进了因果有向无环图（DAG）的学习，提供了更强效的因果发现方法，并在八个真实世界数据集上的综合评估中表现出优越的性能，展示了其推动因果发现领域进步的潜力。

Nov, 2023

本文对自我监督学习的理论与实践中被忽视的问题进行了分析，阐述了数据增强、网络结构和训练算法对于预训练和下游任务泛化性能的影响，并为自我监督学习的从业者指出了一些有价值的见解。

Feb, 2023

深度学习和因果发现相结合，我们发现在对话和视频中学习因果结构和表示面临许多挑战，这些数据形式被定义为 “不确定数据”，具有多结构数据和多值表示特征。为了解决数据集缺口，我们发布了两个高质量的数据集，Causalogue 和 Causaction，分别包含带有因果注释的文本对话样本和视频动作样本。此外，由于多结构数据和多值表示的存在，方法上产生了一个缺口，打破了所有当前方法的假设，使得它们在不确定数据上变得不可行。为此，我们提出了一个概率模型作为基线，包含了三个特定的亮点来解决这个缺口：1）利用非固定因果结构下噪声项独立性建立表示的因果条件，2）将因果强度视为潜变量，并在相关空间中测量重建损失，3）估计潜在混淆因子的影响。这些亮点使得概率模型能够克服多结构数据和多值表示带来的挑战，为潜在混淆因子的扩展铺平了道路。全面实验评估了因果结构、因果表示和混淆解缠结的基线结果。

Jan, 2024

本文通过同时使用因果特征和效应特征进行分类的方式，拓展了有关半监督学习的研究成果，并利用效应特征在给定因果特征的条件下的条件分布信息来提高分类精度。

May, 2019

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

本文基于图高斯模型，提出了一个 CSSL 框架和一个简单的学习算法，旨在通过对多个数据集之间常见的交互和依赖关系的识别，找到其不变特征，并在合成数据的数值模拟和汽车传感器异常检测的真实应用中确认其在查找多个数据集中不变依赖结构方面相比现有技术的表现。

Mar, 2012

本文探讨了基于少量标注数据的持续半监督学习问题，并设计了一种利用度量学习和一致性正则化的新方法，仅依赖 25% 的监督数据即可优于全监督训练下的 SOTA 方法。

Aug, 2021

将因果模型与深度学习相结合，引入了越来越复杂的数据集，如图像内部的因果关联或文本组件之间的因果关联，成为一个研究重点。本研究根据因果结构和表示的观点，对因果数据进行三个不同类别的重新定义：确定数据、半确定数据和不确定数据。通过详细阐述这三个数据范例的正式定义、数据集中所体现的差异、解决途径和研究发展，我们总结了与确定数据和半确定数据相关的关键任务和成就，并提出了关于不确定数据的路线图，以解决当前的研究难题。最后，我们对目前在这三个范例中使用的关键数据集进行了分类和审查。

Nov, 2023

本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

Oct, 2022

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