May, 2024
论证性因果探索
Argumentative Causal Discovery
Fabrizio Russo, Anna Rapberger, Francesca Toni
TL;DR使用符号表示对假设引导论证（ABA）进行推理可以支持因果关系的发现，此方法在使用答案集编程（ASP）实现后在因果发现的标准基准测试中表现良好。
Abstract
causal discovery amounts to unearthing causal relationships amongst features
in data. It is a crucial companion to causal inference, necessary to build
scientific knowledge without resorting to expensive or impossible randomised
control trials. In this paper, we explore how
发现论文，激发创造
基于约束的因果发现的逻辑特征化
通过逻辑推理的方法，基于简单的关系逻辑陈述从部分观测到的关系推出因果关系的方法，可以在存在潜在变量和选择偏差的情况下找到对应局部祖先图的所有不变特征，发现每一个可识别的因果关系都对应了两种基本形式，因为该方法的基本构建块不依赖于图形结构，因此可以开发更稳健的推理，详细的询问方法和大规模应用方案。
Feb, 2012
CausalDisco: 使用知识图谱链接预测进行因果发现
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
主动贝叶斯因果推断
本文提出了一种基于贝叶斯方法和高斯过程的主动学习框架 ——ABCI，该框架可同时进行因果图推断和因果推理，通过最大信息设计测量，从少量样本中更加高效地准确学习下游的因果查询，并为有关量提供良好的预测不确定性估计。
Jun, 2022
你喜欢有向无环图吗？关于结构学习和因果推断的调查
本文回顾和综述了有关因果推理及结构发现方法的背景理论，重点介绍了现代连续优化方法，并提供了参考资源如基准数据集和软件包。最后，我们还讨论了从结构到因果所需要的假设性跳跃。
Mar, 2021
ACRE：超越协变的抽象因果推理
本研究旨在引入抽象因果推理（ACRE）数据集并使用四种类型问题系统地评估现有视觉系统在因果诱导中的表现，并发现纯神经模型更倾向于关联策略而神经符号组合在反向阻塞推理方面存在困难，这些不足需要更具全面性的因果诱导模型的未来研究。
Mar, 2021
祖先因果推断
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