- 因果认知的解耦表示
复杂适应性代理通过解决需要理解因果信息的问题来实现其目标；因果认知研究并描述了人类和非人类动物在因果学习和推理方面的主要特征，提供了一个概念框架，可以根据任务的因果理解水平来讨论认知表现；本研究将机器学习和强化学习与因果认知相结合，构建了一 - ExDAG: 精确学习有向无环图
近年来对因果学习的兴趣逐渐增加。常用的因果结构表示方法，包括贝叶斯网络和结构方程模型（SEM），采用有向无环图（DAG）形式。我们提供了一种新颖的混合整数二次规划表达和相关算法，用于识别可识别的 50 个顶点的 DAGs。我们称之为 ExD - 生物医学应用中的因果学习
从时间序列数据中训练富有的因果模型，建议使用克雷布斯循环和更广泛的代谢模型作为因果学习方法的基准。
- 肉匹配机器！多尺度能力实现因果学习
生物智能相较于机器智能在不同层面展现出调适性、目标导向的行为；本文通过对多层次情绪学习的形式化来理解生物智能如何学习因果关系，并指出在硅中工程化人类抽象会在高层目标导向行为和低层目标导向行为之间断开连接，这抑制了因果关系的学习。
- IJCAI迈向稳健轨迹表示：用因果学习分离环境混淆因素
运用因果学习的轨迹建模框架（TrajCL）通过结构性因果模型（SCM）并基于干预工具（逆向调整理论）消除地理空间和轨迹之间的虚假相关性，提升轨迹分类任务的性能和泛化能力。
- 借势中介器的悲观因果强化学习与混淆线下数据
通过采用基于前门准则的中介变量来消除混淆偏差，以及采用悲观原则来解决由候选策略引起的行为分布和生成观测数据的行为策略之间的分布偏移，我们提出了一种新颖的策略学习算法 PESsimistic CAusal Learning (PESCAL)， - 从不完整数据学习循环因果模型
在本研究中，我们提出了一种名为 MissNODAGS 的新框架，用于从部分缺失的数据中学习循环因果图。通过合成实验和真实的单细胞干预数据，我们证明在部分缺失的干预数据上使用最先进的填充技术后进行因果学习相比之下，MissNODAGS 表现出 - 为可解释强化学习进行因果状态精炼
本文介绍了一种扩展奖励分解方法的因果学习框架，通过利用信息论度量的解释目标来鼓励因果因素的三个关键属性：因果充分性、稀疏性和正交性，并通过提取智能体状态、动作或奖励之间的因果关系深入理解其决策过程，从而为行动选择提供更有意义和有洞察力的解释 - 基于因果视角的可信图神经网络调研
在这篇综述中，我们针对当前图神经网络（Graph Neural Networks，GNNs）的信任度问题，介绍了最近关于启发于因果关系的 GNNs 的研究，并提出了基于因果学习能力的 Causality-Inspired GNNs（CIGN - 图神经网络中因果关系学习的重新思考
通过构建人工合成数据集和进行实验验证，本论文从因果学习的角度综合分析了各种图神经网络模型，在此基础上提出一种轻量且高度适应性的图神经网络模块，以增强其因果学习能力。
- 探索因果学习通过图神经网络：深度综述
图神经网络 (GNNs) 在因果学习中的应用和发展进行了全面的综述，包括分类和应用等方面，提供了与实际研究相关的数据集，同时探讨了因果学习在不同领域的应用，为机器学习这一快速发展领域的挑战和未来的研究方向提供了启示。
- 局部隐私条件下的因果探索
本文研究了局部差分隐私机制，并比较了这些机制在数据混淆时提供的隐私与因果学习算法生成的因果结构的准确性之间的权衡，为选择合适的局部差分隐私协议进行因果发现任务提供了有价值的见解。
- 零样本因果学习
本研究提出了一种无需先前数据就可以预测新型干预效果的因果元学习框架 (CaML)，它是一种单一元模型，可跨越数千个任务进行训练，结合基于个体特征和干预信息的元特征，证明了在医疗和细胞实验中的有效性。
- AAAI市场资源分配问题的直接异质因果学习
本文提出了一种基于因果学习的新方法，通过引入决策因素建立机器学习和运营研究之间的桥梁来解决资源分配问题，并设计了一种定制化损失函数来对决策因素进行直接异质因果学习，从而显著提高了解决方案的精度。
- 深度因果学习：表示、发现和推断
本文综合评述了深度学习在因果学习中的贡献，解决了传统因果学习方法中的许多问题，并指出深度因果学习在因果科学的理论拓展和应用扩展中的重要性，并成为通用人工智能中不可或缺的一部分。
- 学习潜在结构因果模型
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。
- 无混杂因素识别因果视觉特征学习
本文提出了一种新的不需要识别混淆因素的因果视觉特征学习方法（CICF），通过前门准则模拟样本之间的干预，并从优化的角度近似全局范围内的干预效果，以找到一个可靠的优化方向，从而避免混淆因素的干扰来学习因果特征，并且从因果学习的理论角度解释了元 - IJCAI为社会责任 AI 建立因果关系学习
本研究关注人工智能技术的社会责任问题，针对此问题提出一种名为因果学习的方法，旨在提高人工智能技术的社会责任感，并通过对其 7 种工具的调查，探讨这种方法在解决公平性等领域中的应用前景。
- 非线性不变风险最小化：一种因果方法
提出了一种不变因果表示学习 (iCaRL) 方法，通过利用广义指数族分布得出数据表示，可以在非线性场景中实现超出分布的泛化，并发现目标的全部直接原因，针对合成和真实数据集提出性能优于基线方法的实验结果。
- WSDM因果传递随机森林：结合记录数据和随机实验进行强鲁棒性预测
提出了一种 causal transfer random forest 模型，它将原有的训练数据与来自一个随机实验的少量数据组合，使其对 feature shift 具有鲁棒性，并在点击预测等任务中表现出优越性。