- MalAlgoQA：评估反事实推理能力的教育方法
该论文介绍了 MalAlgoQA，这是一个用于评估大型语言模型（LLMs）通过教育方法的反事实推理能力的新型数据集。该数据集包含数学和阅读理解问题，每个问题都附有四个答案选项及其对应的解释。我们关注不正确答案解释，称为 “malgorith - 关于向量自回归模型中的反事实干预
我们介绍了向量自回归（VAR）过程中反事实推理的问题，并将因果模型的推断形式化为联合回归任务，使用有和无干预的数据来进行推断。在学习模型之后，我们利用 VAR 模型的线性性质对反事实干预的效果进行精确预测，同时量化了过去反事实干预的总因果效 - KDD潜变量因果推断：最新进展与未来前景
通过综述研究，我们对近期在潜变量条件下的因果推断相对于影响因素进行了全面的回顾，涵盖了因果效应估计、中介分析、反事实推理和因果发现等任务，并介绍了在大型语言模型时代下因果推断存在的新机会。
- 揭露算法歧视：重新审视比较器的机会
通过表达因果推理方式，本文提出了两种基于不同因果干预方式的 comparators，分别为 ceteris paribus 和 mutatis mutandis comparator。我们主张使用 mutatis mutandis comp - 用于漏洞检测的图神经网络：一个反事实解释
基于图神经网络的漏洞检测面临可解释性的挑战，因此提出了 CFExplorer，一种针对 GNN 漏洞检测的新颖的反事实解释器，通过最小程度的扰动来回答所谓的 “如果” 问题，从而确定检测漏洞的根本原因，并为开发者提供有价值的修复漏洞的见解。
- 利用预测的潜在人格维度进行反事实推理，以优化说服结果
使用双向生成对抗网络（BiCoGAN）结合基于对话的人格预测回归模型（DPPR）的方法，追踪用户的潜在人格维度（LPDs），并生成基于这些 LPDs 的定制的反事实话语，优化整体说服结果。在在线交互中，通过使用 D3QN 模型学习优化系统话 - 眼见不一定全是实情：多模态大语言模型因果推理能力的基准测试
基于现有多模态大型语言模型 (MLLMs) 在视觉问答评测方面的认知和推理能力，我们提出了一个新的 CFMM（Counterfactual MultiModal）基准测试，以系统评估 MLLMs 的反事实推理能力，发现现有 MLLMs 往往 - 基于 Patch 训练的多标签图像分类的反事实推理
通过因果推断的方法，我们提出了一种反事实推理方法来解决多标签图像分类中的过拟合问题，并实现了在多个基准数据集上达到最先进性能的验证。
- 硅心智论
研究了人工智能在多个环境中具备与人类相似的心智推理能力，包括判断他人的意图、偏好等，并揭示了当其与克隆体进行互动时的现象和差异。
- ACL知识图谱嵌入的反事实推理
通过新任务 CFKGR，本文将知识图嵌入（KGEs）与反事实推理关联起来，通过逻辑规则从知识图推断出合理的变化，建立了相应的基准数据集，并开发了 COULDD 方法来适应假设前提。结果表明，KGEs 可以学习图中的模式，与 COULDD 相 - AFBT GAN：通过反事实生成对抗网络提升认知衰退的解释能力和诊断性能
通过使用逆向变换生成器对目标标签功能连接矩阵进行生成并减去源标签功能连接矩阵，以增强功能连接的可解释性和改善诊断性能，这是诊断模型的一个关键步骤。在临床和公共数据集上进行的验证实验证实了生成的注意力图与认知功能密切相关，诊断性能也显著。
- ACTER: RL 策略解释和诊断的多样和可行的反事实序列
提供可操作建议以避免强化学习中的失败，该算法以最小变化和高确定性生成能够预防失败的相反事实序列，并在多样的情况下生成多种相反事实序列。
- 具有必要回溯的自然反事实
我们提出了一种自然的反事实框架和一种生成自然反事实的方法，该方法与实际世界的数据分布相一致，有效地改进了反事实推理并引入了创新的优化框架控制反事实推理的回溯程度。实证实验表明我们的方法的有效性。
- 公平和追索中的反事实推理的新范型
基于背推式反事实，我们探讨了一种新的范式，以固定法律保护特征的同时考虑替代初始条件，从而解释您作为现实或潜在自身的反事实结果。这种替代框架允许我们解决许多相同的社会问题，但在提出根本不依赖于人口统计学介入的不同问题。
- 用概率图模型进行反事实推理以分析社会生态系统
因果推理和反事实推理是数据科学中的新兴方向，尤其适用于通常无法获取实验数据的环境和生态科学领域。本文提出了一个在社会生态系统领域内边界不可识别查询的新技术，并发现传统统计分析方法无法揭示变量之间的关系本质，其中反事实推理变得非常有价值。
- TIBET: 文本到图像生成模型中的偏见识别和评估
我们提出了一种通用方法，通过反事实推理来研究和量化任何文本到图像生成模型和任何提示的广泛偏见和偏差，并以语义概念的形式扩展了定量评分。
- 基于响应影响的反事实推理的可解释知识追踪
本研究提出了一种基于反事实推理的知识追踪框架（RCKT），通过比较实际和构造的反事实序列的预测结果，生成响应影响，从而改善模型的性能和可信度，并对响应影响进行可靠的解释。实验结果表明，RCKT 方法在四个数据集上表现优于六个基准方法，并提供 - CLOMO：大型语言模型的反事实逻辑修改
大型语言模型在反事实推理能力方面表现出较强的潜力，但目前仍存在与人类表现之间的差距。
- 对抗分布平衡与反事实推理
提出了适用于反事实推理的对抗分布平衡法（ADBCR），通过直接使用反事实估计结果来消除假性因果关系，证明了其在三个基准数据集上优于现有方法，并证明如果在训练过程中包含未标记的验证数据，可以进一步改进 ADBCR 的性能。
- 使用扩散模型生成视网膜眼底图像和 OCT 图像的逼真对立事实
使用扩散模型和对抗性强大的分类器结合生成高度逼真的反事实性的视网膜底部图片和光学相干断层扫描 (OCT) B 扫描图像，专家从用户研究中发现，与先前的方法生成的反事实图片相比，使用我们的方法生成的反事实图片更为逼真，甚至难以区分真实图片。