Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating that performance increases with data and model size and suggesting the potential for a foundation model for causal discovery.

Feb, 2024

本文介绍因果推断、因果发现、因果图、算法和真实世界应用，并探讨最近一致性观点对现有算法的概述、有用的工具和数据，以及为什么和如何可以成功利用这些方法。

May, 2023

从混合不同因果模型的时间序列数据中，利用证据下界最大化的方法进行因果发现，经过实验证明在探测来自不同因果图的数据时，该方法优于现有基准模型。

Oct, 2023

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

本文介绍了基于深度学习的因果关系发现方法，从变量范式的角度将可能的因果发现任务分为三类，并针对每种任务定义并实例化相关数据集和最终的因果模型，并回顾了各种任务的现有因果发现方法。最后，提出了一些研究路线图以解决现有领域的研究空白，并指出未来的研究方向。

Sep, 2022

通过因果推断方法可以推断未被观察到的联合分布的性质，进一步定义了一种从已观察到的变量中引入因果模型来推断未观察到变量的统计性质的学习场景，并且通过推导因果模型的 VC 维，得出了预测的泛化界限。

May, 2023

本文利用因果推断的思想描述了一种普遍的 CNN 模型推理框架，并通过形成结构性因果模型的方式对 CNN 的一个特定方面进行了抽象化，提出了量化评估卷积层滤波器的因果重要性的方法。我们的方法以 LeNet5、VGG19 和 ResNet32 等流行的 CNN 架构为例进行了说明。

Nov, 2018

本文介绍了引人注目的因果发现算法，分为两大类：（1）假设无环和无潜变量，（2）允许循环和潜变量，并从结构准确性、标准预测准确性和反事实推理准确性三个方面对它们进行了实验比较。

Aug, 2017

本文将双变量因果发现算法用于解决多数据集间有重叠变量时的一致因果结构学习问题，算法表现在合成和真实数据上都优于之前的方法。

Oct, 2019

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