超级学习方程建模是一种集成机器学习超级学习器的路径建模技术，能够提供一致和无偏的因果效应估计，并在处理非线性关系时比结构方程模型（SEM）表现更好。

Aug, 2023

这篇研究论文旨在介绍数据科学中的因果推理对机器学习的重要性，包括因果推理的原则、机器学习的应用，以及与之相关的扩展视野和知识，特别关注机器学习中的分布外泛化问题。

May, 2024

本文讨论了人工智能（AI）文献中关于因果推断的近期进展，其具有可自动化的算法标准、中等平衡的优势等特点，有望对计量方法做出贡献。

Dec, 2019

我们提出了一种因果学习模型，通过因果推断和干预研究物理现象的因果关系，并加强（或削弱）对潜在物理过程模型的信心。

Sep, 2023

机器学习在预测方面已经取得了很大进展，但缺乏通用人工智能，研究表明因果推断是实现机器推理和机器智能的一种重要方法，本文通过统计数据学习框架、分布分类任务和卷积神经网络特征等方面的研究，提出了一种可扩展、具有强大理论保证且在多个实际基准测试中取得最新成果的新因果推断算法。

Jul, 2016

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

本文旨在探讨图形因果推断在人工智能领域的重要性，以及该领域的一些关键概念和困难问题的内在联系，着重解释与因果性的关系如何有助于解决机器学习和人工智能的核心难题。

Nov, 2019

该研究阐述了建立和理解人工智能系统的基本思想：从符号方法到统计学习，再到基于因果关系概念的干预模型，其中一些机器学习和人工智能的难题内在地与因果关系有关，而进展可能需要我们加深对如何从数据中建模和推断因果关系的理解。

Apr, 2022

本文论文探讨了因果推论在统计学，人工智能和机器学习中的应用，提出了使用图书或视频数据库构建因果 DAG 集合的简单算法，并在随机生成的井字游戏数据库上应用了该方法。

Oct, 2022

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