- 引入微小的因果结构进入图表示学习
在图神经网络的端到端图表示学习中，由于图数据中复杂的因果关系和规则使得模型准确捕捉真实数据关系变得困难。本文提出一种缓解策略，即将与图数据对应的规则或关系直接整合到模型中。然而，在图表示学习领域中，图数据的固有复杂性阻碍了建立一个包含整个数 - ICML细粒度的因果动力学学习与量化技术在增强学习中的鲁棒性改进
我们提出了一种新的动力学模型，通过推断细粒度的因果结构并用于预测，以改善强化学习中的鲁棒性。该模型通过将状态 - 动作空间离散化为子群，共同学习动力学模型和离散潜变量的关键点子，从而识别显示稀疏依赖性的有意义的上下文，并在训练中为每个子群学 - 利用较少条件独立性检验进行因果发现
本研究旨在通过多项式数量的条件独立性测试来学习隐藏因果图的较粗糙表示，名为因果一致分区图（CCPG），它由顶点的一个分区和在其组件上定义的有向图组成，并满足方向性的一致性和其他有利于更细的分区的约束条件。此方法在因果图可识别的特殊情况下，通 - 从单变量干预推导因果顺序：保证与算法
根据数据分布的实际假设，本研究引入了干预忠实度的概念以及一种用于推断因果关系的得分，同时提出了一种名为 Intersort 的算法，能够从包含大量单变量干预的数据集中近似地优化因果顺序，为进一步改进因果推断提供了重要的潜力。
- ICML通过双机器学习学习决策策略的工具变量
利用双 / 去偏机器学习框架设计的 DML-IV 算法，有效减小两阶段 IV 回归中的偏差并学习高性能策略。
- 演化因果发现与相对影响分层的可解释数据分析
该研究提出了一种基于进化的因果推断（ECD）方法，用于在研究数据集中自动分析变量之间的关系，并提供解释性较强的结果。在复杂系统中，特别是在医疗保健领域的电子健康记录数据中，ECD 方法能够揭示变量之间的模式和机制，并在不同噪声水平下保持高准 - 复杂环境中功能实际原因的自动发现
通过使用功能实际因果 (FAC) 和联合优化实际因果推断 (JACI) 算法，本研究在复杂连续数值环境中展示了 FAC 与实际因果文献中已知结果的一致性，并且 JACI 在识别实际原因的准确性上明显优于现有的启发式方法。
- 使用有针对性的干预进行活跃因果学习，解码化学复杂性
基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。
- 从偏序关系中学习有向无环图
通过利用部分因果顺序，本文提出了一种通用的估计框架来学习有向无环图的结构，并提供了低维和高维问题的高效估计算法。
- CASPER: 因果感知的时空图神经网络对时空时间序列插值
从因果的角度重新审视了时空时间序列的填充，引入了前门调整与一个基于因果感知的时空图神经网络 (CASPER)，它包含了一个新颖的时空因果注意力 (SCA) 和一个基于提示的解码器 (PBD)。PBD 可以减少混淆变量的影响，而 SCA 可以 - 基于离散、混合和连续变量中 NML 代码的侦测未观察到的共同原因
在观测数据中存在未观测共同原因的因果关系发现是一个关键且具有挑战性的问题，本论文通过扩展 CLOUD 方法来处理不同类型的数据，通过理论分析和广泛实验证明 CLOUD 在模型选择和推断因果关系方面优于现有方法。
- 通过独立性查询预测马尔可夫等价类中的成员资格
推理因果关系、统计图模型、条件独立测试和学习之间的关系及其几何解释。
- ICLR为什么问题的动态视角
我们研究了随机过程生成的多变量时间序列数据中的因果推理。与现有方法不同，我们提出了一种直接建立时间过程中事件之间因果关系的学习范式，并通过两个关键引理将其框架化成为强化学习问题。我们的方法提供了揭示和量化扩散过程中因果关系的形式化和计算工具 - 反事实图像编辑
反事实图像编辑是生成式人工智能中的重要任务，本文提出了一种利用增强的结构因果模型来建模潜在生成因子与图像之间的因果关系，并通过一种新的家族反事实一致估计器对非可识别的反事实分布进行近似，以解决此挑战性问题。
- 利用因果发现对黑盒机器学习模型进行反事实解释，并应用于信用评级
该研究提出了一种新的可解释人工智能框架，利用反事实概率和关于因果结构的先验信息，以实现通过因果发现方法和黑盒分类模型来估计因果图并估计解释得分，从而更准确地解释模型的内部机制。通过人工数据的数值实验和信贷评级的实际数据应用，证明了该方法在因 - 依据核偏差度量的因果发现及异构变换
基于异构转换的内核固有不变量测量（KIIM-HT）提出了一种基于 RKHS 嵌入的新型评分测量方法，以提取条件密度的相关高阶矩以用于因果关系的发现。
- 多变量时间序列异常检测的熵因果图
本文提出了一种名为 CGAD 的新框架，用于多变量时间序列异常检测，利用传递熵构建反映时间序列数据中潜在因果关系的图结构。通过加权图卷积网络和因果卷积模型多变量时间序列数据中的因果图结构和时间模式。此外，CGAD 还应用异常得分和基于中值绝 - 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。
- NAC-TCN: 基于因果稀疏邻域注意力的时序卷积网络用于情感理解
视频情感识别是通过一系列方法如 GRUs、LSTMs、自注意力机制、Transformers 和 TCNs 改善了基于视频情感识别，然而这些方法存在内存使用高、操作量大或梯度下降不良的问题。我们提出了一种称为邻域注意力与卷积 TCN（NAC - 意识作为现实的逻辑一致且预测性模型
大脑通过形成逻辑一致且具有预测能力的现实模型来反映外部世界的因果关系，表现为意识。同时，这篇论文解决了统计模糊性的问题并提供了因果关系的正式概率最大具体规则模型。我们认为大脑从因果关系中进行了所有可能的推理，并证明了所提出的模型具有明确的推