- LLM 在干预数据的时间域因果推断中的增强
提出了一种能在工业场景中发现时间因果关系的 RealTCD 框架，通过遮蔽和正则化的策略，采用基于得分的时间因果发现方法，无需依赖干预目标进行根本原因分析，并结合大型语言模型和领域知识来提取系统中隐藏的文本信息中的元知识，以提高发现质量。在 - 线性非高斯有向无环模型的最短路径问题重新定义：成对似然比、先验知识和路径枚举
利用改进的 LiNGAM-SPP 框架，通过消除参数调整的需求和利用图搜索方法，提高因果发现算法的实用性和性能。
- 情感分析的因果性质
情感分析将情感表达在文本中进行识别，本文将情感分析分解为两个任务：区分评论是否 “引导” 情感或情感是否 “引导” 评论的因果假设，以及使用评论预测情感的传统任务。利用心理学中的峰 - 尾规则，我们通过计算整体情感得分来将样本分类为两种因果 - 基于时序因果发现的可解释在线无监督异常检测方法研究
利用因果发现学习系统的正常因果图，通过实时传感器数据的因果连接持久性评估来及时检测异常。在两个基准异常检测数据集上，我们的方法具有更高的训练效率，超越了最先进神经网络架构的准确性，并准确地识别了 10 种以上不同的异常。
- 递归因果发现
本文介绍了一种从数据中学习因果图的因果发现方法，通过引入可移除变量的概念和递归方法来解决因果发现中的挑战，并提供了一个高效实现这些方法的 Python 包，可供实践者和研究人员在实际场景中使用。
- 基于离散、混合和连续变量中 NML 代码的侦测未观察到的共同原因
在观测数据中存在未观测共同原因的因果关系发现是一个关键且具有挑战性的问题，本论文通过扩展 CLOUD 方法来处理不同类型的数据，通过理论分析和广泛实验证明 CLOUD 在模型选择和推断因果关系方面优于现有方法。
- 利用缺失数据进行结构学习的最优传输
使用基于最优传输的打分算法，从缺失数据中学习因果结构，通过广泛的模拟和实验，论文证明了该方法在各种模拟和真实数据实验中比基线更有效地恢复了真实的因果图。
- 跨越因果发现和大型语言模型的桥梁：综合方法与未来方向的全面调研
本文就 LLM（如 GPT4）在因果发现任务中的综合应用进行了全面的调查，系统地回顾和比较了现有的 LLM 利用方法，并强调了它们在推断因果结构中利用元数据和自然语言的创新使用。我们的分析揭示了 LLM 在增强传统 CD 方法和作为不完善专 - AAAI拥抱黑箱：走向基于时间序列数据的因果发现基础模型
Causal Pretraining explores supervised learning to discover causal relationships from time series data, demonstrating th - 从观测数据中快速检测根本原因，并应用于 IT 系统
引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验 - 利用大型语言模型探索隐藏世界
COAT utilizes large language models to extract potential causal factors from unstructured data and assists in uncovering - 通过状态增强与随机排列进行变分 DAG 估计
从概率推断的角度来看，文章提出了一个解决贝叶斯网络的结构估计问题的方法，通过在一个扩展的有向无环图和排列空间上的联合分布进行后验估计，利用离散分布的连续松弛来利用变分推断，从而在一系列合成和实际数据集上胜过竞争性的贝叶斯和非贝叶斯基准模型。
- 样本、估计、聚合：引发因果发现基础模型的一种方法
基于经典算法运行在较小变量子集上的深度学习模型识别因果结构，达到了与现有模型相比具有数量级更快的推理速度，具备针对合成和真实数据集的最先进性能，并能概括到在训练期间未见过的数据生成机制。
- 高斯过程网络中的贝叶斯因果推断
在高斯过程网络（GPN）模型中进行贝叶斯估计来推断多步骤干预效应，通过模拟整个网络中干预的影响并传播到下游变量，以及使用高斯过程建模条件分布来估计干预分布，进一步考虑到因果结构不确定性。结果表明，该方法能够识别非高斯、非线性的观测数据中假设 - 依据核偏差度量的因果发现及异构变换
基于异构转换的内核固有不变量测量（KIIM-HT）提出了一种基于 RKHS 嵌入的新型评分测量方法，以提取条件密度的相关高阶矩以用于因果关系的发现。
- CORE: 基于强化学习的可扩展高效因果发现
该研究提出了一种基于深度强化学习的 CORE 方法，用于因果发现和干预计划。CORE 能够从数据中顺序地重建因果图，并学习执行信息丰富的干预策略，其在结构估计准确性和样本效率方面优于现有方法，并且能够适应更大的图形结构。
- 循环模型中带有隐藏共变量的因果发现方法的比较研究
对稀疏线性模型中具有循环和隐藏混杂因素的因果关系进行比较研究，评估了四种因果发现技术在多个干预设置和不同数据集规模下的性能。
- 条件熵的因果分层
从可观测数据中，通过条件熵预言的方式，我们提供了一种恢复图层次结构的方法，以离散分布为前提，并以删除图中源或汇的方法来验证算法的正确性和纠正性。
- 功能性线性非高斯无环模型用于因果发现
利用 Functional Linear Non-Gaussian Acyclic Model（Func-LiNGAM）扩展线性非高斯无环模型（LiNGAM）的概念，以应对涉及功能性磁共振成像和脑电图数据的大脑有效连接任务中的因果关系识别问 - 无限数据中的因果关系：基准模型和新数据集
深度学习和因果发现相结合，我们发现在对话和视频中学习因果结构和表示面临许多挑战，这些数据形式被定义为 “不确定数据”，具有多结构数据和多值表示特征。为了解决数据集缺口，我们发布了两个高质量的数据集，Causalogue 和 Causacti