CausalDisco 是一种将因果关系发现作为知识图谱补全问题的新方法，支持因果解释和因果预测，并通过比较多个知识图嵌入算法在模拟视频数据集上的表现，证明了使用加权因果关系能够提高因果关系发现的性能。

Apr, 2024

提出一种通过利用更粗粒度的原因信息表示来降低搜索空间的组合爆炸，从而极大地减少计算时间，并根据信心对原因预测进行评分的新方法，证明了方法的正确性和渐近一致性，并证明了该方法在合成数据上的优越性能，并将其应用于具有挑战性的蛋白数据集中。

Jun, 2016

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

本文提出了一种探测变量之间潜在共同原因的因果发现算法，并将其应用于两个有向因果发现算法的实验中。结果表明，该算法可以探测到已知的共同原因，并保留原始算法在区分有向因果关系方面的性能

Oct, 2019

本篇论文探讨如何在基于 A * 方法的因果关系发现中高效地整合多种类型的专家领域知识以减少图形搜索空间，并提供了潜在的计算增益分析。作者通过合成数据和真实数据的实验支持这些发现，表明即使少量领域知识都可以极大地提高 A * 方法的效率和实用性。

Aug, 2022

该研究提出了一个支持远程数据增强的知识增强框架，名为 KnowDis，可以显著提高基于事件因果关系检测的技术的表现。该框架通过远程监督的方式对训练数据进行语义增强，解决了因训练数据缺少而导致的基于监督学习的 ECD 技术难以准确检测事件因果关系的问题。

Oct, 2020

本文研究如何利用专家知识来改进因果图的数据驱动识别，通过考虑提出一些修正策略来利用因果图的一致性属性，例如无环性和条件独立性。最后，通过一个真实数据的案例分析，本文说明了一个大型语言模型可以被用作一个不完善的专家。

Jul, 2023

本文基于一组弱监督条件，通过隐式潜因果模型的方式，为无标签不完整数据集中的图像等数据探究了因果结构和因果变量的识别方法。

Mar, 2022

本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

Jun, 2021

本研究考察了外界专家知识增强因果关系挖掘模型的影响，结果表明校准模型错误的知识可以显著提高挖掘效果，对于挖掘因果关系而言，对影响边的约束比对非影响边的约束对性能的提升更为显著。

Jan, 2023