- REVEAL-IT: 可解释性的具备进化 Agent 策略的增强学习
在本文中，我们提出了 REVEAL-IT 框架，用于解释复杂环境中代理人的学习过程。我们通过可视化策略结构和代理人在各种训练任务中的学习过程来理解一个特定的训练任务或阶段对代理人在测试中的性能有多大影响。然后，基于图神经网络的解释器学习突出 - 通过 $β$- 广义前门准则进行干预性非平衡多模态表示学习
从因果关系的角度重新审视多模态表示学习，构建结构因果模型，引入 β- 泛化前门准则，通过提出的方法充分探索多模态判别性知识的内在机制的严格理论分析和多种经验评估支持其有效性。
- 重新审视领域通用性中的伪相关
建立结构因果模型以避免机器学习模型学习到的伪相关性，对应用场景选择正确的伪相关性机制，通过引入倾向性评分加权估计器控制混杂偏差，有效地进行欠分布外泛化。
- 传送者理论：一种建模跨界反事实因果关系的通用且简单方法
利用结构因果模型（SCM）的发展，建立了图形模型来探索机器学习技术背后的因果机制。随着机器学习应用的复杂性提高，单世界干预因果分析遇到了理论自适应的限制。因此，跨世界反事实方法扩展了我们对因果性的理解，使我们能够对替代场景进行假设推理。然而 - CVPR面向单源域广义目标检测的无偏 Faster R-CNN
提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。
- 一个对不诚实赌场的反事实分析
通过引入结构因果模型，本研究使用线性规划方法求解在动态隐藏马尔可夫模型中与作弊有关的预期收益的界限，为因果推断中的反事实推断提供了限制，同时对教育背景下的反事实推断产生了积极影响。
- 通过神经对抗不变性学习从异构环境中追求因果关系
通过数据驱动的方法，在结构因果模型框架下，提出了一种名为 Focused Adversarial Invariance Regularization (FAIR) 的新框架，用于解决多样环境下的不变性追求问题，并应用 FAIR-NN 估计器 - IJCAI迈向稳健轨迹表示：用因果学习分离环境混淆因素
运用因果学习的轨迹建模框架（TrajCL）通过结构性因果模型（SCM）并基于干预工具（逆向调整理论）消除地理空间和轨迹之间的虚假相关性，提升轨迹分类任务的性能和泛化能力。
- ACL面向跨文档事件共指消解的因果关联数据增强方法
基于预训练语言模型（PLMs），事件共指消解（ECR）系统通过聚类跨文档的语义指示共指事件展现出了出色的性能；然而，现有系统在输入提及对中展现出对 “触发词词汇匹配” 的过度依赖；我们基于结构因果模型（SCM）对基线 ECR 系统的决策过程 - 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 - 带思维链的 LLMs 是非因果推理者
该研究探讨了大型语言模型中思维链（CoT）在推理中的作用，通过因果分析发现模型与人类推理过程之间存在差异，并揭示了模型中影响因果结构的因素。
- 从观测数据中快速检测根本原因，并应用于 IT 系统
引入了一种新的针对阈值性 IT 系统的结构因果模型，并提出了一种新的算法，用于快速检测此类系统中异常的根本原因，方法基于离线数据进行因果性发现，通过代理的干预提出了扩展来放宽根因非因果相关的假设，对于在线数据中的新异常，则利用子图遍历，实验 - 指导调整的统一因果观
通过引入多个潜在因素，本研究提出了一种结构因果模型 (meta-SCM)，以整合不同的 NLP 任务，并只使用与特定任务相关的因果因素来进行预测，从而在提高零样本能力的同时避免了伪相关性的影响。
- 因果视角下的图形对比不变性学习
本文从因果关系的角度研究了图对比学习（Graph Contrastive Learning），发现传统的图对比学习由于含有非因果信息而不能很好地学习不变表示。为了解决这个问题并促使当前的图对比学习方法学习更好的不变表示，我们提出了一种新的图 - 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。
- 鲁棒估计因果异方差噪声模型
通过使用学生 t 分布提出了一种估计异方差噪声模型的新方法，以解决现有估计方法在数据分布非高斯时存在的亚优和不稳定问题，并成功地在合成和真实基准测试中表现出更好的鲁棒性和整体性能。
- 通过解耦风格和伪特征实现不变的表示学习
针对存在样式分布偏移和虚假特征以及缺失域标签的超域泛化问题，本文提出了一种新的框架 IRSS，并通过引入对抗神经网络和多环境优化逐渐将样式分布和虚假特征从图像中分离，实现超域泛化。实验证明 IRSS 优于传统的超域方法，并解决了不变风险最小 - 元学习中的任务混淆攻击
通过结构因果模型分析任务中的潜在因素，并提出一种基于因果关系的元学习方法 MetaCRL 来消除任务中的混淆因素，从而提高元学习的泛化性能。
- CauDR：基于因果推理的视网膜底部场景通用框架用于糖尿病视网膜病变分级
通过引入因果分析中的双操作到模型架构中，本文提出了一种新颖的通用结构因果模型（SCM），用于分析视网膜成像中的假相关性，并在此基础上发展了一种名为 CauDR 的因果关联性糖尿病视网膜病变分级框架，以消除假相关性并实现更具普适性的糖尿病视网 - 解读时空图预测：因果视角与处理
通过使用因果治疗，本文提出了一种名为 CaST 的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析 STG 的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和 Ho