- EMNLP蜜还是毒？通过因果干预解决少样本事件检测中的触发诅咒
本文通过结构因果模型对少样本事件检测中触发器过拟合问题进行探究，并提出在训练过程中通过背门调整对上下文进行干预以解决该问题，实验证明该方法显著提高了 ACE05、MAVEN 和 KBP17 数据集上的少样本事件检测。
- EMNLP揭示长尾信息抽取的主要因果关系
本研究提出了一种新的反事实信息提取框架，该框架以因果推论的视角，利用统一的结构因果模型描述变量之间的关系，通过使用明确的语言结构生成反事实语句来更好地计算直接因果效应，同时还提出了一种新的去偏置方法，以在减轻因选择偏差对数据产生的关联偏差方 - 将图神经网络与结构因果模型相关联
本文通过建立结构性因果模型和应用图神经网络模型，提出了一种新的因果推断方法，并证明了该方法可以用于因果效果辨识。
- 基于结构性因果模型的实例相关标签噪声学习
本文提出了一种利用结构因果模型的生成方法来应对标签噪声的问题，证明了合理地建模示例有助于识别标签噪声转移矩阵，从而带来更好的分类器，该方法在合成和真实世界的标签噪声数据集上均优于所有最先进的方法。
- ACL开放关系抽取的元素干预
通过结构因果模型重新审视了 Open Relation Extraction 的过程，发现现有模型中的问题源于实体和情境对于关系类型的虚假相关性，提出了 Element Intervention 方法，实验结果表明该方法在无监督关系提取数据 - 多发性硬化 MR 图像的结构因果模型
本研究使用结构因果模型 (SCM) 开发一种可以模拟人们进行多发性硬化症 (multiple sclerosis) 治疗过程中的 MRI 图像变化的方法，为精准医疗提供一种解决治疗优化问题的解决方案。
- 熵因果推断：可识别性和有限样本结果
该研究介绍了熵因果推断的框架和可辨识性假设，利用实验证明了在大多数因果模型中，当外生变量的熵不随观测变量状态数增加而增加时，可以通过观测数据确定因果方向。同时，该研究第一次通过有限数量的样本证明了算法可辨识性保证，还考虑了在理论假设方面进行 - 弱监督下解缠绕的生成因果表征学习
本文提出一种名为 DEAR 的去混合生成因果表征学习方法，通过使用结构性因果模型作为先验分布和适当的 GAN 算法，利用监督信息对因果结构进行学习，从而实现因果可控生成并提高下游任务的样本效率。
- 干预式少样本学习
通过构建因果模型，提出了一种新的干预式 Few-Shot 学习范式，与现有的 Fine-tuning 和 Meta-learning 等方法正交，可以显著提高它们的性能，在多个数据集上均取得新的 1-/5-shot 最新成果。
- 不完善因果知识下的算法补救：一种概率方法
通过两种概率方法选取最优行动以在有限的因果知识下实现补救，以解决缺乏真实结构因果模型的限制，并在不完美的因果知识下提供比非概率基线更可靠的建议。
- 因果模型适应速度分析
本文在未知的结构因果模型 G 执行未知干预收集的数据集的基础上，使用随机优化的收敛速率，对因果关系下的结构因果模型 (SCMs) 适应速度进行了研究，并利用参数空间距离作为代理来衡量适应速度。我们发现，当干预在原因变量上时，SCM 的正确因 - ICML神经网络归因：因果视角
提出了一种基于因果原理的神经网络归因方法，其中将神经网络架构视为结构因果模型，并提出了计算每个特征对输出的因果效应的方法，这种方法可以高效处理具有大量特征的数据，并在模拟和真实数据集上进行了实验验证。
- 利用因果推断解释深度学习模型
本文利用因果推断的思想描述了一种普遍的 CNN 模型推理框架，并通过形成结构性因果模型的方式对 CNN 的一个特定方面进行了抽象化，提出了量化评估卷积层滤波器的因果重要性的方法。我们的方法以 LeNet5、VGG19 和 ResNet32 - 从常微分方程到结构因果模型：确定性情形
本研究通过确定性结构因果模型描述一阶常微分方程系统的平衡状态并阐明了其因果关系概念，尤其适用于循环模型。