- CVPR数据无关的去卷积知识蒸馏处理分布转移
数据无关知识蒸馏是训练高性能小模型以增强实际部署的有希望的任务，本文提出了一种新颖的因果推断视角来解决在 DFKD 任务中的严重分布偏移问题，并设计了一种基于反向调整的知识蒸馏因果干预框架（KDCI），实验证明了其有效性。
- 因果网络：针对高维复杂数据的因果推断
本文提出了一种基于深度学习技术的因果推断方法，用于处理高维复杂数据，包括稀疏深度学习理论和随机神经网络，通过这些技术，该方法能够一致地解决高维度和未知数据生成过程的问题，并在存在缺失值的数据集中表现优于现有方法。
- 深度因果生成模型的半监督学习
通过利用变量之间的因果关系最大化利用所有可用数据，我们首次开发了半监督深层因果生成模型，以解决所提出的反事实问题，甚至对于具有不完整标签的样本，我们借助因果推断的技术来推断缺失值并生成逼真的反事实。
- 基于因果推断的个人信用风险评估方法研究
本文介绍了一种基于范畴论的新的因果关系定义，并在此框架下论证了指标综合因果推断的可行性，同时还探讨了因果图模型和干预替代标准在个人信用风险管理中的应用方法。
- 近似中位数治疗效果的限制
估计器及时效应的问题中主要关注的是平均治疗效果、分位数治疗效应和中位数治疗效应，在本研究中，我们提出了一种新的近似概念，依赖于值的排序，同时提出了可变性的数量来精确衡量中位数治疗效应估计的复杂性，并且证明了估计中位数治疗效应的任何算法都不能 - 关系域中的提升因果推断
利用参数因果因子图的抬升推断算法，在概率图模型中加速计算关系领域的因果效应。
- 大型语言模型与协作中的因果推断：综合调查
因果推断在捕捉变量之间的因果关系方面显示出在增强自然语言处理模型的预测准确性、公平性、鲁棒性和解释性方面的潜力。生成大型语言模型在通过其先进的推理能力显著影响各种自然语言处理领域的同时，这篇综述从因果的角度对生成大型语言模型进行评估和改进， - 概率易于变分因果效应
本文研究了因果推断中连续和离散情况下的概率易变因果效应（PEACE），并探讨了 PEACE 的可识别性准则及其对输入变量值的微小变化的稳定性。
- 基于数据驱动的二阶段多重分割因果集合模型的时间序列
本文提出了一种基于数据驱动的两阶段多分割因果推断集成模型，结合了不同因果基本算法的优势，通过数据划分方案降低噪音影响。在多个指标的评估下，通过实验发现我们的因果集成方法在不同情况下均优于各个基本算法，可实现更强大和可靠的因果关系推断。
- 应用 ML 和 AI 推动的因果推断
机器学习与因果推断的新兴融合方法介绍，涵盖经典结构方程模型、其现代人工智能等价物有向无环图和结构性因果模型的思想，并使用现代预测工具来进行这些模型的推断。
- 基于因果推断的双粒度药物推荐
提出了 DGMed，一种应用因果推断解决药物推荐系统中异质性问题的框架，通过分析历史记录中药物对特定疾病的量化治疗效果，揭示医学实体之间的潜在联系，利用分子层次的知识进行特征对齐，最终根据患者的当前健康状况自适应调整药物推荐概率并推荐药物组 - 揭示稳健性在评估因果推断模型中的潜力
为了解决条件平均处理效应估计器选择的挑战，本文引入了一种新的方法，即分布鲁棒度量（DRM），该方法不仅消除了需要拟合附加模型的需求，而且在选择强健的 CATE 估计器方面表现出色。实验研究证明了 DRM 方法的效力，展示了其在识别优越估计器 - ROS-Causal: 基于 ROS 的人机交互应用因果分析框架
该论文介绍了 ROS-Causal，这是一个基于 ROS 的框架，用于在人机空间交互中进行数据收集和因果推理，并通过 ROS 集成的临时模拟器展示了机器人在数据收集过程中生成因果模型的效果。
- 双重补偿学习在治疗效果估计中的无结构优化性
在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。
- 双机器学习在因果混合建模中的应用 -- 地球科学中的应用
通过因果推断框架运用 Double Machine Learning（DML）估计混合模型，展示了在地球科学领域中估计因果参数的优势、对正则化方法偏差的鲁棒性以及避免等效多样性。该方法在碳通量配分中展现了适应异质因果效果的灵活性，并强调了明 - WWW通过因果干预实现图形的超出分布泛化
通过因果关系分析揭示了图神经网络在节点分布迁移中一种存在于环境背景潜在混淆偏差，提出一种简明的、有原则性的方法通过因果推断来训练鲁棒的图神经网络，以抵消训练数据中的混淆偏差，并促进学习可泛化的预测关系。实验证明，该模型可以有效提高各类分布迁 - 条件生成模型足以从任何因果效应估计中进行抽样
通过条件生成模型的向前推导计算，我们展示了对于任意可识别因果效应的计算。基于此结果，我们设计了一种扩散基础的方法，在图像数据上从任意（条件）干预分布中采样。作为算法的应用，我们通过分析虚假相关性的强度和解耦的水平，对预先在 CelebA 数 - 企业处方式人工智能解决方案 PresAIse
IBM Research 提出了一套可解决企业采用 Prescriptive AI 所面临挑战的解决方案，其中包括可扩展的因果推断方法、可解释的决策方法以及通过对话代理来弥合该领域中数据科学家与业务用户之间的沟通鸿沟，该解决方案通过一个名为 - DoubleMLDeep: 多模态数据的因果效应估计
本文探讨了在因果推断和治疗效果估计中使用非结构化多模态数据（即文本和图像）的方法。我们提出了一种适应双机器学习（DML）框架，特别是部分线性模型的神经网络架构。我们还提出了一种新方法来生成半合成数据集，以评估在存在文本和图像混淆因素的情况下 - 用反事实表示解释文本分类器
通过在文本表示空间进行干预的简单方法生成对抗事实，以用于分类器解释和偏见缓解。