提出了一种新的因果关系框架 —— 因果深度学习，这个框架包括三个维度：结构维度、参数维度和时间维度。该框架可以在利用不完整的因果知识的同时，结合多种因果深度学习方法，解决各种实际问题，从而实现真正的实际影响。同时，这个框架还可以让研究人员系统地对现有工作进行比较，并找出有前途的研究领域。

Mar, 2023

我们提出一个新颖的框架，用于在随机序列多智能体环境中为智能体的决策提供因果解释，通过自然语言交流回答广泛的用户查询，涉及联想、干预或反事实的因果推理。该方法不假定任何特定的因果图，而是依赖于相互作用的生成模型来模拟反事实世界，从而识别决策背后的显著原因。我们将该方法应用于自动驾驶的运动规划，并在耦合交互的模拟场景中进行测试。我们的方法可以正确地识别和排名相关的原因，并向用户提供简明的解释。

Feb, 2023

本文提出了关于时间序列因果关系的定义，主要包括干预、识别性、线性求因果效应等；通过图形验证，给出了可比较的鉴别条件；最后以线性模型为例，详细论述了因果效应的计算方法。

Jun, 2012

CAUSE 是一个新颖的框架，通过拟合神经点过程来隐式捕捉事件互依存关系，然后使用公理归因方法从过程中提取格兰杰因果统计量，以解决学习异步、相互依赖、多类型事件序列的格兰杰因果关系的问题。在多个数据集上，CAUSE 表现优于一系列最先进的方法，能够正确推断一系列事件类型之间的格兰杰因果关系，包括在具有不同事件互依存关系的数据集上。

Feb, 2020

本文基于 “因果独立性原则”，提出了一种新的时序数据因果推断方法，该方法并不依赖于噪声，而是从功率谱密度性质的不对称性入手，能够在确定性系统下使用。通过实验，该方法表现出了很好的效果。

Mar, 2015

本文引入一种新的框架，基于结构因果模型范式对随机、顺序决策系统进行因果解释，该框架可以为代理行为识别多个语义上不同的解释，并建立了准确方法和多个近似技术用于因果推断，同时探讨了一些模型的灵活性与性能，并且表明了基于该框架的方法优于其他方法。

May, 2022

我们探索开发系统的丰富语义模型，特别是考虑到这些系统中状态变化的结构化因果解释。我们正在开发基于过程的动态知识图，以构建以 Snowball Earth 理论提出的地质变化的因果线索为例，并描述了一个用于呈现解释的图形界面的早期原型。与统计方法（如大型语言模型）进行总结和解释不同，我们的直接表示方法可以直接进行检查和验证。

Nov, 2023

本文概述了决策论框架的统计因果关系，该框架适合于解决确定应用原因的效果的问题，并详细介绍了该方法，并与其他当前的公式进行了比较和对比，涵盖的主题和应用包括混淆，对待疗法的影响，工具变量和动态治疗策略。

May, 2014

本文提出了一个名为 LiLY 的框架，用于解决时间序列建模中如何在未知分布转换下学习和快速更正模型的问题，该框架首先从不同的分布转移中恢复时间延迟的潜在因果变量并确定它们之间的关系，然后通过利用识别出的因果结构，将更正步骤进行公式化，将未知的分布转移分解为由固定动态和时变的潜在因果关系所引起的过渡分布更改和观察结果的全局更改，并且通过实验证明了潜在因果影响可靠地从不同的分布变化中识别出来，通过利用这种模块化的变化表示，我们只需使用少量样本就可以高效地学习在未知分布转换下更正模型。

Feb, 2022

本文综述了因果强化学习的文献，介绍了其基本概念和如何应对非因果强化学习中的主要挑战，分类并系统地回顾了现有的因果强化学习方法，最后概述了该新兴领域的未解决问题和未来方向。

Jul, 2023