- ICLR解释反事实增强数据的功效
本文提出了一种基于因果模型的玩具模型，探讨了因果模型、测量噪声、跨领域泛化以及对虚假信号的依赖之间的有趣关系，并以大规模经验研究为基础，比较了用于创建 CAD 的跨度与关注区域和显著性图所选跨度之间的差异，发现对于 CAD，研究中提出的假说 - ICLR神经因果表示的摊销学习
本文提出了一种名为因果关系网络的算法，采用神经网络学习因果模型，并使用连续表示方法表示因果模型，从而更好地处理大量变量和利用先前的知识帮助学习新的因果模型，同时提出一种基于解码的评估指标。在合成数据的测试中取得了高精度和快速适应新因果模型的 - ICML因果模型的可迁移性结构映射
本文介绍了一种基于对象导向表现形式的迁移学习框架，该框架利用人类学习因果模型并将其用于环境的变量之间的迁移。作者将连续优化的结构学习技术应用于对象之间的因果关系的显式学习中，并通过基于因果知识的对象分类将其迁移到目标领域。最后，在强化学习中 - 性别与公正机器学习有何关系？
本文通过探索 “原因模型” 的形式假设，阐述性别仅仅是一个性状的集合是虚假的，这对于如何使用模型检测歧视具有重要意义，并且构成一个不同类型的对待歧视的道德问题。
- AAAI专家因果判断融合
考虑一个政策制定者如何将专家的因果判断结合起来，以决定最有效的干预措施。作者定义了有效干预的概念，并研究了如何将专家的因果判断相结合，提出了两个因果模型兼容性的定义，并以实际案例来说明该方法。
- IJCAI因果距离之梯
该研究提出了一种基于因果分布的距离计算方法来比较因果模型之间的距离，并将其用于对因果发现算法及其应用进行基准测试和评估。
- 通过干预解决环境因果模型中的伪相关性
本文提供了几种干预方法用来解决因果模型中出现的假相关问题，并在强化学习环境中的实验结果也表明，相较于使用随机数据或基于环境奖励的数据进行模型学习，本文的方法能够得到更好的因果模型。
- 混合有向无环图分布中因果结构的发现
研究通过混合因果模型来获得分布，并探讨了如何从基于此类分布的样本中进行因果结构学习及如何使用这些信息对样本进行聚类。
- 无模型可解释强化学习的远距离解释
本论文介绍和评估了一种远程解释模型，该模型可为模型无关的强化学习代理生成为 “为什么” 和 “为什么不” 问题的解释，通过决策树和因果模型可分析对立假设和机会链。实验表明，该模型在不同强化学习算法的 6 个基准测试中产生了改进的结果。
- AAAIFairyTED: 一种公平的 TED 演讲数据的评级预测器
本文提出了一种数学框架，应用于 TED 演讲预测的公正性问题，以中性的方式判断公共演讲的质量，同时将因性别和种族等敏感属性而带来的影响保持在公正的范围内。该框架利用因果模型理论和最先进的神经语言模型来构建。实验结果显示，我们的预测是反事实公 - 近似因果抽象
本文从科学模型、抽象、因果模型、近似抽象和概率因果模型等方面出发，对因果模型的抽象方法进行了详细分析，平衡了低层和高层因果模型之间出现的差异，并在此基础上进行了扩展。
- AAAI因果透镜下的可解释强化学习
本文使用因果关系模型来推导强化学习器的行为的因果解释，并通过对一项实验的研究结果表明，基于因果模型的解释在任务预测、解释满意度和信任方面表现更好。
- WWW算法决策中的公平：通过因果镜头探究
本研究通过因果模型的视角考虑了决策系统是否基于性别、种族、宗教等方面会造成歧视的问题，引入了基于因果关系的群体公平的两个定义：FACE 和 FACT，提出了鲁宾 - 尼曼潜在结果框架来鲁棒地估算 FACE 和 FACT，并在合成数据上展示了 - AAAI因果模型的抽象化
该论文研究了因果模型的抽象概念，提出了一系列逐步严格的模型定义，并表明微变量组合成宏变量的过程是强抽象概念的实例，其中所有的示例都属于 Rubenstein 等人考虑过的分类之一。
- AAAI关于责任、意图和道德责任的正式定义探讨
我们提供了关于责任和意图的正式定义，并应用于具有悖论情境的案例，从而阐明了道德判断中的关键因素。
- 使用 R 包 causaleffect 识别因果效应
本文提出了 R 软件包 causaleffect 的实现，该软件包实现了 Shpitser 和 Pearl 提出的通过 do-calculus 规则和概率已知属性识别联合干预分布的算法，并通过案例展示了 causaleffect 的功能。
- 基因组关联研究的隐式因果模型
本次研究主要集中于建立更为丰富的因果模型，以此来解决基因因素与人类主要疾病之间的因果关系等问题，并且采用了现代概率建模的思想，如采用神经结构并结合隐式条件来建立该模型。
- 深度学习传输现象的物理学
使用条件生成对抗网络（cGAN）的数据驱动模式，无需对基础控制方程有先验知识，直接生成稳态导热和不可压缩流的解，具有高测试精度（MAE＜1％）和最先进的计算性能，并可用于从实验观测中直接学习因果模型。
- 因果结构学习
本文研究了关于基于数据学习因果模型的结构学习算法，比较了它们在不同场景下的实验性能表现。
- NIPS深度卷积神经网络用于成对因果关系
本研究使用卷积神经网络（CNN）和集成学习来探索如何利用深度学习方法从观察数据中推断因果关系，相对于传统的基于梯度提升分类器的方法，该方法在更少的训练数据条件下表现更好且具有更广泛的应用价值。