在面向对象环境中学习因果动力模型
本文提出了一种名为 OODP 的目标导向动态预测框架，通过将环境分解为对象并预测对象间的动态来提高学习动态模型的泛化性能，该框架使用端到端神经网络实现，并可进行无监督学习。实验结果表明，OODP 在各种不同对象布局的新环境中具有显著的泛化能力，且能够从极少量的环境中学习并可以准确地预测大量未见过的环境的动态，同时它还能学习具有语义和视觉可解释的动态模型。
May, 2018
本文介绍了一种基于对象导向表现形式的迁移学习框架，该框架利用人类学习因果模型并将其用于环境的变量之间的迁移。作者将连续优化的结构学习技术应用于对象之间的因果关系的显式学习中，并通过基于因果知识的对象分类将其迁移到目标领域。最后，在强化学习中，作者结合了因果模型和无模型方法，实现对格子世界环境中的对象表现的优化。
Jul, 2020
该研究提出了一种方法，使用多个训练环境来生成不同干预的多个环境，并评估了基于模拟数据的不受监督的学习问题的 ICP 性能，最后与 ICP 相结合提出了改进的方法，提高了在具有多个协变量的数据集中进行因果发现的性能。
Apr, 2023
本研究提出了一个多层次抽象的物体导向预测器 (MAOP) 的自我监督学习框架，该框架通过三级学习结构实现了从生视觉观察中有效的基于物体的动态学习，并设计了一种空间 - 时间关系推理机制来支持实例级的动态学习和处理部分可见性。结果表明，与以往的方法相比，MAOP 在样本效率和学习环境模型的新环境通用性方面显著优于以前的方法。此外，MAOP 还能够学习具有语义和可视可解释性的去耦合表示，并能在未知环境中实现高效规划。
Apr, 2019
本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。
Sep, 2022
通过使用人为生成的因果知识来提高神经网络的数据表示，从而改进复杂分类任务中的自动生成模型的数据的分布外泛化性能，进而指向通过改进机器学习系统开发实践来提高机器学习系统的鲁棒性和安全性的努力中动力系统方法的实用性。
Sep, 2023
本文介绍了一种利用局部因果模型（local causal models，LCMs）、逆因数据增强（Counterfactual Data Augmentation，CoDA）等方法来提高强化学习（reinforcement learning，RL）算法采样效率的方法。实验表明，在其所擅长的分解式任务中，该方法能显著提高算法的表现。
Jul, 2020
基于真实数据，我们提出了一个灵活的评估框架，在评估因果结构和因果效应的差异方面具有关键属性，可以提高大型语言模型的可解释性。我们引入了基于真实数据的开放式因果发现基准（OCDB），以促进公平比较和算法优化。实验结果显示，现有算法在真实数据上存在显著的泛化能力不足，突出了性能改进的潜力以及我们框架在推进因果发现技术方面的重要性。
Jun, 2024
利用因果表征学习和面向物体的学习相结合，通过修改 Slot Attention 架构，开发出了一种利用稀疏扰动进行弱监督的物体中心化架构，以更少的扰动成功解缠多个物体的属性。
Oct, 2023