- 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。
- 可识别因果表示学习：无监督，多视角，和多环境
通过学习具有因果模型语义的潜在变量表示形式，此研究论文探讨了因果模型在人工智能中的应用和理论基础，重点关注可辨识性问题以及在无直接监督下的表示学习目标可行性。
- 因果贝叶斯网络中的干预和调节
通过简单但常见的独立性假设，可以独特地估计干预公式的概率，包括充分性和必要性的概率。在许多感兴趣的情况下，当这些假设适用时，可以使用观测数据评估这些概率估计，这在实验不可行的情况下具有巨大的重要性。
- 算法句法因果识别
用对称单调类别的替代公理基础取代经典概率论，从而在没有概率理论适用的因果设置中，用纯语法算法描述一般因果识别的方法。
- 仅时间揭示一切：通过重启增量性解释 Transformer 如何处理局部歧义
通过分析增量转换器的内部状态，研究了其在修订上的优势，并展示了各向异性编码器和依赖解析在意义表示和修订方面的优势。
- ICLR强大的代理学习因果世界模型
任何能够满足大量分布变化下后悔边界的代理必须学习数据生成过程的近似因果模型，对于最优代理而言，该模型将趋近于真实的因果模型。这一结果对于包括迁移学习和因果推断在内的几个研究领域具有重要影响。
- 大型语言模型能学习独立因果机制吗？
利用因果关系的两个概念在大型语言模型中学习独立因果机制，通过引入路由方案实现网络的专业化，并采用最小化互信息目标训练一个独立模块来学习抽象和领域不变机制，从而改善抽象和因果推理任务的超越分布性能。
- 主观因果关系
通过观察决策者的干预偏好，我们展示了可以理解和识别决策者的主观因果判断的可能性。通过使用因果模型，我们表示因果关系，其中世界由一组变量组成，通过方程式进行关联。我们证明，如果干预偏好关系满足某些公理（与关于反事实的标准公理相关），那么我们可 - AAAI通过动态潜在表征增强进化领域泛化
使用因果模型通过互信息序列自动编码器（MISTS）学习动态特征和不变特征，以解决在非静态任务中从连续结构中提取不变特征并进行扩展域泛化的挑战。
- 数学解释
数学语句的解释以及一个解释为何比另一个更好的定义被给出，因为数学事实必须在所有因果模型中都是真的，而且必须被一个代理所知，所以数学事实不能成为解释的一部分（根据标准的解释概念）。这个问题通过使用不可能的可能世界得到解决。
- 不变性与因果表示学习：前景与局限
在因果模型中，假定给定的机制对其他机制的变化是不变的。我们通过建立不可能的结果，表明仅靠不变性无法识别潜在的因果变量。结合实际考虑，我们利用这些理论发现来强调通过利用不变性来识别表示的需求需要额外的约束。
- 不同因果结构和表示的深度因果模型的评述与路线图
将因果模型与深度学习相结合，引入了越来越复杂的数据集，如图像内部的因果关联或文本组件之间的因果关联，成为一个研究重点。本研究根据因果结构和表示的观点，对因果数据进行三个不同类别的重新定义：确定数据、半确定数据和不确定数据。通过详细阐述这三个 - 人工智能系统的道德责任
伴随着越来越多具有重大伦理维度的决策外包到 AI 系统中，有必要找到一个可应用于 AI 系统的道德责任定义。本研究基于因果模型的框架提出了一种正式的道德责任定义，包括因果条件和认识条件。并将该定义与 BvH 和 HK 的现有方法进行比较，进 - 深度回溯的因果一致解释
在结构因果模型中，我们引入了一种计算回溯反事实的实用方法，该方法对深度生成组件进行条件设定以解决在可控制因果模型的结构潜空间中可生成反事实的问题。相比其他方法，我们的方法具有多功能、模块化和满足因果关系的优势。通过在 MNIST 和 Cel - 面向机器人堆叠任务的因果概率预测、行动选择和解释框架
通过引入因果模型和物理仿真能力，提出了一个新颖的概率框架，使得机器人能够感知和评估积木堆叠任务的当前状态，推理出最佳动作，并生成事后的反事实解释。
- ICML反事实不变性的结果
本文从理论角度分析了反事实不变性的各种定义及其相关性，包括条件独立性是否能证明其强弱程度和可能性。 针对离散因果模型，我们证明了反事实不变函数通常只能是特定变量的函数，甚至是常数。
- 因果 Kripke 模型
在可能世界语义环境中，扩展了 Halpern 和 Pearl 关于实际因果模型的研究。使用这个框架，我们引入了一个带有模态运算符的实际因果逻辑，使得我们可以推理涉及多种可能性、时间性、知识和不确定性的因果关系。通过一些例子进行了说明，并讨论 - 因果规范流：从理论到实践
本研究探讨使用归一化流进行因果推理，在实验证明了基于归一化流的原因模型可以回答干预和反事实问题。
- 具分解密度的字符串图
通过 Markov categories 定义无向图模型上的联合概率密度和样本结果的确定性映射的组合的范畴，这是将概率编程和因果推断中的因子化密度的操作定义与概率测度的范畴描述结合的一步。
- MM串图中的因果模型
本文引入了字符串图表语言解释的因果模型框架，并呈现了其在方向无环图的应用以及如何作为单个数学对象来思考。通过引入具有 “复制 - 丢弃” 结构的对称膜范畴 (cd - 范畴) 中的随机映射、函数或通道，我们将单纯因果模型的概念推广为基于网络