本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。

Jun, 2017

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

本文提出了一种基于贝叶斯推理的方法，在低级别数据的情况下学习维度高、SCM 结构和参数未知的高级因果变量，从而实现对潜在 SCM 的推断和图像生成。

Oct, 2022

揭示、建模和理解自然现象的因果机制是科学研究中的基本任务，此文讨论一种名为 MgCSL（多粒度因果结构学习）的新方法，通过利用稀疏自动编码器探索从微观变量到宏观变量的粗粒度策略和因果抽象，使用多粒度变量作为输入训练多层感知机，从而深入研究变量之间的因果关系，并引入一种简化的非循环性约束以适应高维数据，实验证明 MgCSL 优于竞争方法，并在 fMRI 数据集中发现可解释的因果连接。

Dec, 2023

我们介绍了我们的形式上证明的算法，迭代因果分割，以解决在紧密耦合系统中处理因果治疗变量和混杂协变量的问题。

May, 2024

本文提出了一种结合基于知识的 LLMs 因果分析和数据驱动因果结构学习的新框架，以构建因果结构学习的新范式，并介绍了一套广泛的提示组，以从给定变量中提取因果图，并评估 LLM 先前因果对从数据中恢复因果结构的影响

Jun, 2023

本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。

Sep, 2021

通过对开源大语言模型进行微调，我们提出了 LLM4Causal，它能够识别因果任务、执行相应的函数并解释其数值结果，同时我们还提出了一种数据生成过程，用于更可控的 GPT 提示，并提供了两个指令微调数据集：因果检索基准和因果解释基准。通过三个案例研究，我们展示了 LLM4Causal 能够为因果问题提供端到端的解决方案并提供易于理解的答案。数值研究还显示，它在给定查询时具有寻找正确因果任务的显著能力。

Dec, 2023

通过构建可理解的变量和包含高级因果发现技术的自动学习任务级因果关系，HG-SCM 可以模拟人类感知和决策过程。在实证数据集上与七种基线模型进行比较后，HG-SCM 取得了最高的平均性能排名和最小的标准差，充分证明了其在预测能力和推广性方面的有效性和优越性，并且所自动学习的三个任务的因果图可视化和分析与领域知识和人类认知相吻合，展示出了其卓越的可解释性。HG-SCM 的类人特性以及增强的推广性和可解释性使其成为在透明度和可信度至关重要的特殊场景中具有潜力的解决方案。

Dec, 2023

该研究旨在应用大型语言模型，利用 “文本输入” 方法来发现变量间的因果关系，以解决当前领域专家掌控下的先验错误问题；针对大型语言模型中三种潜在的先验错误（顺序一致错误、逆序错误和不相关错误），提出了一种无需人工干预的贝叶斯网络学习策略，并且经过了实验验证其能够抵御逆序错误，同时保持正确先验知识的大多数。

Jun, 2023