- WSDMCausalMMM：学习市场营销组合建模的因果结构
在线广告中的营销组合模型（MMM）以预测品牌店的总成交量（GMV）并帮助决策者调整各种广告渠道的预算分配。本文定义了一种新的因果性 MMM 问题，可以自动从数据中发现可解释的因果结构并产生更好的 GMV 预测。CausalMMM 集成 Gr - 可识别的可交换机制用于因果结构和表示学习
通过交替可识别机制（IEM）统一了交换性数据和因果结构学习的框架，提出了新的可识别性结果，并希望为因果表示学习的进一步研究铺平道路。
- 弱分隔符及其在有目标因果推断中的应用
学习因果结构及定向数据是一个根本性问题，具有广泛的应用领域。通过引入 Meek 分隔子，我们介绍了一种寻找具有小规模 Meek 分隔子的高效算法，用于部分搜索和因果匹配问题，从而实现对两个问题的对数逼近，并提供了首个已知的平均情况可证实保证 - 最可能的共同原因
本文介绍了基于广义最大似然方法的共同原因原理，研究了在因果不充分的情况下，如何处理共同原因 $C$ 无法被唯一确定的问题，并讨论了共同原因对受限制的三个变量之间的因果结构的影响。
- 使用代理变量从子采样时间序列中进行因果发现
本论文提出了一种基于无模型的算法，使用代理变量方法识别从子采样时间序列中提取出的整个因果结构，能够非常好的处理未观测到的时间步问题，具有较好的理论优势并获得了实验结果的支持。
- 语义歧义的因果结构
本文提出了一个新的 sheaf 论述模型，用于分析语义歧义的消岐过程。研究表明，在歧义短语中，从主语到动词和从宾语到动词是两种最常见的消岐顺序，并且使用这一模型进行了测试。同时，我们发现多义词和同音异义词的消岐过程存在延迟。
- 神经 ODE 中的预测之外：鉴别和干预
采用简单的正则化方案和柔性神经 ODE，我们可以从时间序列数据中强大地恢复动态和因果结构，并对变量或系统自身进行准确的预测。
- 局部分解动态的反事实数据增强
本文介绍了一种利用局部因果模型（local causal models，LCMs）、逆因数据增强（Counterfactual Data Augmentation，CoDA）等方法来提高强化学习（reinforcement learning - 在线学习因果模型
通过检测和去除虚假特征来间接发现因果模型，以加强预测模型的鲁棒性和泛化能力，并说明问题的时间结构信息对于在线检测虚假特征至关重要。
- 学习解离因果机制的元转移目标
利用元学习方法，基于快速适应新分布的速度，学习因果结构，包括因果关系的参数化，模块化和编码等方面，以提高对非标准干预的快速适应能力和降低重学需要的信息量。
- 有向循环图的发现算法
本文介绍了一个可以通过样本数据推理带循环因果图的因果结构的发现算法，并给出了正确性条件，该算法是稀疏图上的多项式。
- 从变化中发现因果关系
本研究提出了一种基于本地自发变化的方法，用于发现因果结构，并分析了与之相关的结构类别，设计了可以输出这些等价类的图形表示的算法，并使用模拟数据展示了实验结果，研究了变化检测和结构恢复的误差。