- 基于异质因果元路径图神经网络的基因 - 微生物 - 疾病关联预测
利用异构因果元路径图神经网络 (HCMGNN) 预测基因 - 微生物 - 疾病 (GMD) 关联，并通过提升图的语义和结构来解决关联稀疏性问题。
- 因果 Transformer: 时间因果发现的可解释 Transformer
通过预测任务和设计的多核因果卷积，CausalFormer 学习时序数据的因果表达，并通过回归相关传播解释训练后的模型全局结构以构建因果图，从而在发现时序因果性方面实现了最先进的性能。
- LLMs 在因果推断上容易出现谬误
本研究通过合成数据对预训练语言模型进行微调，验证了模型对于从文本中推断因果关系的能力，发现模型容易根据实体在文本中的出现顺序推断因果关系，但在因果关系推断方面存在后验谬误，且对于反事实关系的推断较为困难，从而对模型对因果关系的理解提出了质疑 - CAGE：因果感知 Shapley 值用于全局解释
鉴于人工智能对我们日常生活的影响越来越大，AI 决策的透明性和可解释性变得越来越重要。与全局解释相关的特征的因果关系和预测重要性在全局解释中提供了一种解释人工智能模型的方式，为了更好地理解预测的特征重要性，我们提出了 CAGE (因果感知的 - 对对抗性图像生成方法的基准测试
本文提出了一个综合性框架，旨在评估反事实图像生成方法，并包含了聚焦于反事实的多个方面的评估指标，如组成、有效性、干预的最小性和图像逼真度。通过基于结构因果模型范式的三种不同的条件图像生成模型类型的性能评估，证明了该框架的有效性，并提供了一个 - 从多个分布中学习因果表示：一个通用设置
在非参数的因果表示学习中，通过稀疏约束和适当的因果影响条件，可以恢复有向无环图的势化图，从而揭示潜在因果模型的潜在变量及其关系的特定且复杂的方式。
- DiConStruct: 基于因果概念的黑盒压缩解释
DiConStruct 是一种基于概念和因果关系的解释方法，目的是通过结构性因果模型和概念归因来创建更可解释的局部解释，并有效地近似黑盒机器学习模型的预测，而不影响预测任务。
- 识别并调整英语语言模型中负责性别偏见的 Transformer 组件
研究探讨了三种方法来识别语言模型组件与特定输出之间的因果关系，通过对 GPT-2 进行参数有效的微调，成功减轻性别偏见，同时对整体语言建模造成的损害较小。
- 不对称 Shapley 值在根本原因分析中的理论评估
本文探讨了非对称 Shapley 值（ASV），一种流行的 SHAP 加法局部解释方法的变体。ASV 提出了一种改进模型解释的方式，将已知的因果关系考虑进去，也被认为是测试模型预测中的不公平歧视的一种方式。同时，该方法对 Shapley 值 - 现象异常而令人迷惑：用假设修正测试语言模型的归纳推理能力
使用迭代性的假设修正技术，通过三步骤的提议、选择和修正来研究语言模型在归纳推理任务中的能力，并发现其在产生假设和筛选规则方面表现出色，但在识别可信规则和应用提议规则方面存在差距，揭示了语言模型在归纳推理任务中的潜力和局限。
- WWW基于知识图谱的案例推理事件预测
应用连结预测、知识图谱在因果事件预测上的机遇，引入基于案例推理的 EvCBR 模型来预测新事件的属性，无需训练步骤，且在新 sworthy 事件与因果关系的数据集中表现优于基线模型。
- 因果发现与预测：方法与算法
我们提出了一种新的主动学习算法，通过一系列成本最低的干预来识别任何给定因果模型中的因果关系，同时引入了对时间周期性因果设置的形式化分析，并提供了一种可靠完备的算法来识别循环设置中的因果效应。
- 带有条件独立性检验的层次化拓扑排序对有限时间序列的应用
通过引入有限时间序列数据和条件独立性检验，我们提出了一种层次拓扑排序算法（HT-CIT），以更高效地学习稀疏的有向无环图，从而比其他流行方法具有更小的搜索空间，并大大减少需要修剪的边的数量。来自合成和真实数据集的实证结果证明了所提出的 HT - 自我兼容性：无需基准事实进行因果关系探索的评估
通过测试不兼容性来检测错误推断的因果关系，以支持因果模型的选择，并提供了因果发现算法在模拟数据中的评估方法。
- 非平稳时延组合半赌博问题与因果相关奖励
在不稳定环境中进行的顺序决策和反馈延迟引起的问题，通过学习因果关系来减轻决策过程中的不利影响，本文将此问题形式化为具有因果关联奖励的非平稳和延迟组合半强盗问题，并通过数值分析在意大利使用合成和真实世界数据集来检测对 Covid-19 传播最 - 从数据中发现因果关系和方程
本文回顾了物理学领域关于因果关系和方程式发现的概念、方法和相关工作，在地球和气候科学、流体动力学与力学以及神经科学等领域展示了一系列案例，展示了有效地利用观测数据、现代机器学习算法与领域知识的互动等方面，揭示了通过观察自然现象发现根本定律和 - 利用代理变量方法进行未观测变量的因果发现
本文介绍了一种在存在连续变量的情况下发现因果关系的方法，通过解决离散数据的严格级别约束限制的问题，把连续因果关系测试转换为每个区间内离散因果关系的测试，这些非参数规则可以广泛适用于大量结构因果模型。
- IJCAI量化因果抽象学习的一致性和信息损失
本文介绍了一系列干预措施，以帮助代理人在不同抽象水平之间进行权衡，探究其中信息的一致性和损失，并提出了用于评估和学习因果抽象的算法。最后，我们通过实证表明了不同措施和算法选择可能导致不同的抽象。
- 心理学启发的因果提示
该研究提出了三种不同的因果提示，研究了情感分类数据的不同性质在模型响应中引发的协议的一致性或多样性，并建议未来的研究提高对 NLP 任务中不同因果结构的认识。
- ChatGPT 句子级关系评估：重点关注时间、因果和语篇关系
该研究针对 ChatGPT 大型语言模型，通过对 13 个数据集的测试集进行综合评估，采用了三种任务定制型 prompt 模板，发现 ChatGPT 对于识别因果关系具有较强的能力，但在识别事件之间的时间顺序方面表现较差，并在需要结构性理解