- ALCM: 自主 LLM 增强因果发现框架
通过自动化生成更稳健、准确和可解释的因果图，本研究展示了一种新的框架 —— 自主 LLM（Large Language Models）增强因果推理框架（ALCM），整合了数据驱动的因果推理算法和 LLMs，以提高因果推理的效果，并强调了利用 - 因果启发式正则化实现域通用表示
在给定描述不同领域 / 分布共享的数据生成过程的因果图的基础上，通过强制执行足够的图推断条件独立性可以确定领域通用（非虚假的）特征表示。针对标准的输入 - 输出预测设置，我们将文献中考虑的图集合分类为两个不同的组：（i）那些在训练领域中的经 - 具有因果关系图约束的神经网络：一种新的治疗效应估计方法
近年来，对使用机器学习技术估计治疗效果的兴趣逐渐增长。本文讨论和分类了这些模型的算法归纳偏差，并提出了一种考虑因果图中的附加信息的新模型 NN-CGC，通过对模型实施新的约束，解决了来自虚假变量相互作用造成的偏差，并且可以与其他表征学习方法 - 通过偏见净化实现多模态情感分析解偏
通过使用因果关系而非传统的似然方法，基于多模态情感分析（MSA）的多模式对比事实推断情感（MCIS）分析框架能够从具有有害偏见的观察中做出无偏决策，并有效地减轻数据集偏差的问题。
- 在功能依赖下识别因果效应
我们研究因果效应的识别，主要包括通过知道因果图中某些变量是由其父变量决定的来实现可识别性，以及通过排除某些功能性变量观察来降低所需的观测数据量。
- 解释机器学习性能差异的分层分解
解释机器学习算法在不同领域表现差异的新的非参数分层框架，提供了聚合和详细分解的方法，不需要因果知识，同时导出了消除偏差、计算高效的估算器和统计推断程序，以获得渐近有效的置信区间。
- 利用因果发现对黑盒机器学习模型进行反事实解释，并应用于信用评级
该研究提出了一种新的可解释人工智能框架，利用反事实概率和关于因果结构的先验信息，以实现通过因果发现方法和黑盒分类模型来估计因果图并估计解释得分，从而更准确地解释模型的内部机制。通过人工数据的数值实验和信贷评级的实际数据应用，证明了该方法在因 - 混淆预算因果强化学习
我们研究了在由基础因果图模拟的随机环境中学习 ' 好的 ' 干预的问题，其中 ' 好的 ' 干预是指最大化奖励的干预，在预定的预算限制下考虑非均匀成本的干预，我们提出了一种算法以在一般因果图中最小化累积遗憾，并开发了一种算法以在预算设置下最 - EMNLP通过因果信息最小化校正多模型偏差
研究论文通过利用因果论的方法，学习混淆因素的表示，并利用这些表示来消除模型中的偏见。研究发现，所学习的混淆因素表示确实捕捉到数据集中的偏见，并且所提出的消除偏见的方法在多个多模态数据集上提高了模型的离分布性能，而不损害在分布性能。
- 利用神经网络指导的因果公平数据集重采样
通过采用两个神经网络，其中一个反映了因果图的结构，另一个反映了干预图的结构，该研究提出了一种改进数据集的重新加权方法，以实现因果公平性，并在实验中证明了其有效性。
- 反事实公平表达
在这项研究中，我们提出了一种使用所有可用特征进行训练的新算法，从理论和实证方面证明了使用该方法训练的模型能够满足 Counterfactual Fairness。
- 时间序列因果图的抽象总效应可辨识性
通过观察性时间序列研究干预的总效应的可识别性问题，我们考虑了系统的因果图的两种抽象：扩展摘要因果图和摘要因果图。我们证明总效应在扩展摘要因果图中始终是可识别的，并提供了摘要因果图中可识别性的必要和充分图形条件。此外，我们提供了可调整的集合， - 利用后验抽样开发因果图先验的强化学习
我们提出了一种新的后验抽样方法，其中先验以环境变量之间的（部分）因果图形式给出，该方法称为 C-PSRL，在同时学习更高层次的完整因果图和更低层次的分解动力学参数时，明确了其贝叶斯遗失与先验知识的程度之间的关系。我们在说明性领域进行的数值评 - 费米博士：一种随机分布鲁棒公平经验风险最小化框架
提出了首个具有收敛保证的随机分布鲁棒公平性框架，不需要对因果图的了解，在分布转移的环境中将公平推断制定为 $L_p$ 范数不确定性集合下的分布鲁棒优化问题。
- CILF: 用于车辆轨迹预测的因果启发式学习框架
本文提出一种基于因果图和因果启发式学习的框架 (CILF) 来解决自动驾驶车辆轨迹预测中数据分布不匹配的问题，在常见数据集上实验表现良好。
- 从因果图总结中确定直接影响的可辨识性
本文介绍了一个完整的可识别性结果，该结果表征了所有情况，其中从总结因果图中直接效应可以图形化识别，并提供了两个可靠的有限调整集，可以用来估计直接效应。
- 成功的简单步骤：基于距离的算法回溯公理
提出了一种基于数据的计算法和隐私保障的新框架，用于算法救济，并通过实证研究和理论分析证明了该框架的优越性，使用户能够在数据流形中找到改变预测结果的方向。
- ACL通过因果推断保留预训练语言模型中的常识知识
通过在因果图上探索，本文发现灾难性遗忘的关键在于缺失来自预训练数据的因果影响，提出了一种统一的微调目标以恢复因果关系，将该方法实现在常识 QA 上的结果表明其有效性。
- 基于约束和噪声算法的混合时序因果发现
本文提出了两个新的混合约束式和基于噪声的方法的框架，可以发现可能包含循环的摘要因果图。提供了两种混合算法，并在模拟数据，真实生态数据和各种应用程序的真实数据上进行了实验测试，结果表明，我们的混合方法具有稳健性，并在大多数数据集上产生良好的结 - 具未知因果图的加性因果赌博机
该研究探讨了在因果图模型下的因果 Bandit 问题，提出了基于线性问题的算法来解决这个问题，在未知因果图情况下也能有效地辨别最佳干预措施。