CP-logic: A Language of Causal Probabilistic Events and Its Relation to Logic Programming
Katholieke Universiteit Leuven（天主教鲁汶大学）
本文发展了一种表示概率因果律的逻辑语言。我们对这种语言的兴趣是双重的。首先，它可以作为因果知识表示的基础研究。因果关系具有内在的动态方面，Shafer在他的概率树框架中已经在语义层面上进行了研究。在这样一个动态的背景下，考虑到一个领域随时间的演变，因果律作为指导这种演变的东西的想法是很自然的。在我们的形式化，一组概率因果律可以用来表示一类概率树在一个简洁，灵活和模块化的方式。通过这种方式，我们的工作扩展了Shafer的语义对象提供了一个方便的逻辑表示。其次，这种语言也与概率逻辑编程领域相关。特别是，我们证明，在我们的语言的理论的形式语义可以等价地定义为概率分布在良好的基础模型的某些逻辑程序，使它正式非常类似于现有的语言，如ICL或PRISM。因为我们可以用一种完全独立的方式来激发和解释我们的语言，将其作为概率因果律的表示，这就为解释这种概率逻辑程序背后的直觉提供了一种新的方式：我们可以用非逻辑学家同样可以理解的术语来精确地说这种程序表达了哪些知识。此外，我们还获得了一个额外的一块知识表示方法的概率逻辑程序，通过展示他们如何表达概率因果律。
2009-04-10 cs.AI cs.LO
Structure-Based Causes and Explanations in the Independent Choice Logic
Dipartimento di Informatica e Sistemistica, Universita di Roma "La Sapienza"（罗马大学信息与系统系）
本文旨在结合珍珠的结构模型的因果推理方法与高层次的形式主义推理行动。更确切地说，我们提出了一个组合珍珠的结构模型方法与普尔的独立选择逻辑。我们展示了独立选择逻辑中的概率理论如何映射到概率因果模型。这种映射为独立选择逻辑提供了吸引人的因果关系概念和结构模型方法的解释。我们沿着哈尔彭和珀尔关于实际原因、解释和部分解释的复杂概念来说明这一点。这种映射还为结构模型方法添加了一阶建模功能和显式操作。
2012-10-19 cs.AI
Modeling Endogenous Logic: Causal Neuro-Symbolic Reasoning Model for Explainable Multi-Behavior Recommendation
School of Computer Science and Engineering（计算机科学与工程学院）；Nanjing University of Science and Technology（南京理工大学）；School of Management（管理学院）；Hefei University of Technology（合肥工业大学）；School of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Nanjing University of Finance and Economics（南京财经大学）；Department of Finance and Accounting（金融与会计系）；Saint Petersburg State University（圣彼得堡国立大学）；School of Computing（计算机学院）；Macquarie University（麦考瑞大学）
本文提出一种因果神经符号推理模型，用于可解释的多行为推荐，通过内生逻辑建模和因果推断提升推荐系统的可解释性和泛化能力。
2026-01-29 cs.AI
Expressibility of norms in temporal logic
University of Nottingham（诺丁汉大学）；University of Utrecht（乌得勒支大学）
在这个简短的说明中，我们解决了时间逻辑中表达规范（如义务和禁止）的问题。特别是，我们解决了[Governatori 2015]的论点，即规范不能用线性时间时态逻辑（LTL）表示。
2016-08-24 cs.AI
On Properties of Update Sequences Based on Causal Rejection
我们考虑一种方法来更新表示为扩展逻辑程序下回答集语义的非单调知识库。新的信息被纳入到当前的知识库的因果关系拒绝原则，强制执行，在冲突的情况下，较新的规则是首选和旧的规则被推翻。这样的拒绝原理也在其他方法中被利用来更新逻辑程序，例如，在Alferes等人提出的动态逻辑规划中，我们给出了我们的方法的性质的深入分析，得到更好的理解因果拒绝原则。本文从理论变化和非单调推理两个方面对更新算子和修正算子的假设进行了综述，并给出了一些新的性质。然后，我们考虑改进我们的语义，其中包括一个概念的变化最小。以及，我们调查的关系，其他方法，表明我们的方法是语义上等价的继承程序Buccafurri等人。它符合某些类的动态逻辑程序，我们提供的图形条件方面的特征。因此，我们关于因果拒绝原理性质的大部分结果也适用于这些方法。最后，我们处理我们的方法的计算复杂性，并概述了如何更新语义及其改进可以实现现有的逻辑编程引擎。
2001-09-05 cs.AI
Logic Programming Semantics for Causal Processes
German University Of Digital Science Potsdam（德国波茨坦数字科学大学）
研究逻辑程序设计语义与因果过程最终状态的关系，指出正逻辑程序稳定模型对应特定过程最终状态，支持模型描述任意起点可达状态，为逻辑程序设计语义讨论提供新视角及时间维度。
2026-07-24 cs.AI cs.LO cs.PL
Combining Spatial and Temporal Logics: Expressiveness vs. Complexity
King’s College London（伦敦国王学院）；University of Liverpool（利物浦大学）
在本文中，我们构建和调查的时空形式主义，从各种组合的命题时空逻辑，如命题时间逻辑PTL，空间逻辑RCC-8，BRCC-8，S4 u和它们的片段的结果。所得到的结果给出了一个清晰的画面之间的权衡层次结构内的表现力和计算的可实现性。我们演示了如何不同的组合原则，以及空间和时间的原语可以产生NP-，PSPACE-，EXPSPACE-，2 EXPSPACE-完整的，甚至不可判定的时空逻辑的组件是最NP-或PSPACE-完整的。
2011-10-12 cs.AI
A Temporal Description Logic for Reasoning about Actions and Plans
ITC-IRST；University of Manchester（曼彻斯特大学）
提出了一类基于区间的时态语言，用于统一表示和推理动作和计划。行动是通过描述行动本身发生时的真实情况来表示的，计划是通过将行动和世界状态在时间上联系起来来构建的。时态语言是描述逻辑家族的成员，其特征在于高表达性与良好的计算特性相结合。研究了一类时态描述逻辑的包含问题，给出了合理而完备的判定过程。首先考虑基本语言TL-F：它是时态逻辑TL（能够表示区间时态网络）与非时态逻辑F（特征描述逻辑）的组合。证明了该语言中的包容是一个NP完全问题。然后展示了如何使用表达能力更强的语言TLU-FU和TL-ALCF进行推理。前者在语言的时间和非时间侧都添加了析取，后者用集值特征扩展了非时间侧（即，角色）和命题完整的语言。
2011-05-27 cs.AI
A Temporal Logic for Uncertain Events and An Outline of A Possible Implementation in An Extension of PROLOG
现实生活中许多事件的发生都存在不确定性。在本文中，我们开发了一个时间逻辑来处理这种不确定的事件，并概述了一个可能的实现扩展的PROTEGO。事件表示为模糊集的隶属函数给出的事件在给定的时间间隔内发生的可能性。所开发的时态逻辑简单但功能强大。它可以有效地确定不确定事件或其组合之间的各种时间关系。PROTECH提供了一个统一的基底，在其上有效地实现这样一个不确定事件的时态逻辑
2013-03-27 cs.AI
Enablers and Inhibitors in Causal Justifications of Logic Programs
University of Corunna（拉科鲁尼亚大学）
出现在逻辑编程理论与实践（TPLP）中。在本文中，我们提出了一个扩展的逻辑编程（LP），其中每个默认文字来自良好的基础模型相关联的理由表示为一个代数表达式。这个表达式包含因果解释（以规则标签构建的证明图的形式）和否定范围内的术语，这些术语代表启用或禁用因果规则应用的条件。使用一些例子，我们讨论了这些新的条件，我们分别称之为“使能”和“抑制剂”，是密切相关的默认否定，并有一个本质上不同的性质，从定期的因果关系。最重要的结果是一个正式的比较，最近的代数方法的理由在LP：“为什么不种源”（WESTERN）和“因果图”（CG）。我们表明，目前的方法扩展了WESTERN和CG的理由下的基础良好的语义，作为副产品，我们还建立了这两种方法之间的正式关系。
2016-02-22 cs.AI cs.LO
Standpoint Linear Temporal Logic
Free University of Bozen-Bolzano（博尔扎诺自由大学）；TU Dresden（德累斯顿工业大学）
本文提出融合LTL时序特性与SL多视角建模能力的立场线性时序逻辑SLTL，定义其语法语义，证明可判定性与复杂性，并给出可终止表推演演算以自动化推理。
2023-04-27 cs.AI
Causal Graph Justifications of Logic Programs
University of Corunna（拉科鲁尼亚大学）；Vienna University of Technology（维也纳工业大学）
在这项工作中，我们提出了一个多值扩展的逻辑程序下的稳定模型的语义，在一个模型中的每个真正的原子与一组理由。这些理由表示的因果关系图形成的规则标签和边缘，代表他们的应用程序排序。对于正的程序，我们表明，一个给定的原子获得的因果理由有一个直接的correspondence- dence（相关）的语法证明，该原子使用的程序规则中涉及的图形。最有趣的贡献是，这种因果信息是在一个纯粹的语义的方式，通过代数运算（产品，总和和应用程序）的因果值格的顺序关系表示时，一个理由是强于另一个。最后，对于有否定的程序，我们通过引入一个类似于Gelfond和Lifschitz的程序约简的变换，定义了因果稳定模型的概念。因此，缺省否定表现为“证据缺失”，否定升得不到任何证明
2014-09-25 cs.AI cs.LO
How Rules Represent Causal Knowledge: Causal Modeling with Probabilistic Logic Programming
研究如何将珀尔的因果方法引入概率逻辑编程，通过与不依赖时间概念的哲学基础对齐，提出形式因果语义等，使其语义与分层ProbLog程序的P-log语义一致，解决因果知识在不同形式主义中的应用问题。
2026-07-24 cs.AI cs.LO cs.PL
Inferring Causal Graph Temporal Logic Formulas to Expedite Reinforcement Learning in Temporally Extended Tasks
GTL-CIRL通过同时学习策略和挖掘因果图时序逻辑规范，加速时序扩展任务中的强化学习，提升学习效率和行为可验证性。
2026-01-06 cs.AI cs.LO
Formalizing Statistical Causality via Modal Logic
AIST（产业技术综合研究所）；PRESTO, JST（日本科学技术振兴机构 战略性研究推进项目）；Tokyo Institute of Technology（东京工业大学）；Kyoto University（京都大学）
本文提出形式语言 StaCL，利用面向干预的模态算子描述可能世界中概率分布的因果性质，并以公理推导 Pearl 的 do-calculus 规则，从而规范和解释统计因果推断。
2023-09-17 cs.AI cs.LO
The Logic of Counterfactuals and the Epistemology of Causal Inference
University of California, Davis（加利福尼亚大学戴维斯分校）
本文揭示Rubin因果模型预设条件排中律，并提出结合因果贝叶斯网的新模型以摒弃该原则，论证演绎逻辑与归纳推断的深层关联。
2025-03-12 cs.AI econ.EM stat.ME
A Brief Introduction to Temporality and Causality
D-Wave Systems Inc.（D-Wave系统公司）
因果关系是一个非显而易见的概念，通常被认为与时间性有关。在本文中，我们提出了一些过去和现在的方法来定义的时间性和因果关系从哲学，物理和计算的观点。我们注意到，时间是许多关系和现象中的一个重要因素。该主题然后被分为两个主要领域的时间发现，这是关于寻找关系，随着时间的推移，因果关系的发现，其中一个索赔的因果影响，某些事件对他人。我们提出了一些用于尝试自动发现数据中的时间和因果关系的计算工具。
2010-07-14 cs.AI cs.LG
Applications of Intuitionistic Temporal Logic to Temporal Answer Set Programming
University of Corunna, Spain（科鲁纳大学）；University of Angers, France（昂热大学）；University of Barcelona, Spain（巴塞罗那大学）；University of Potsdam, Germany（波茨坦大学）
本文通过时态平衡逻辑探讨时态答案集编程的逻辑基础，将直觉逻辑与时态逻辑编程相结合，提出新的研究方向。
2026-03-16 cs.AI cs.LO
A Fundamental Probabilistic Fuzzy Logic Framework Suitable for Causal Reasoning
Institute for Research in Fundamental Sciences (IPM)（基础科学研究所（IPM））；The University of Quebec at Trois-Rivieres（魁北克大学三河分校）
在本文中，我们介绍了一个基本框架，以建立一个桥梁之间的概率论和模糊逻辑。事实上，我们的理论制定了一个随机的实验，选择脆元素的标准，具有一定的模糊属性。为此，我们将一些特定的清晰随机变量与随机实验相关联。然后，给出了几个公式，使计算这些随机变量的不同条件概率和期望值变得容易。为概率模糊逻辑框架的建立提供了理论依据。注意，在我们的理论中，来自上述随机变量的连续分布的概率密度函数包括狄拉克δ函数作为一项。此外，我们介绍了我们的理论在因果推理中的应用。
2022-05-30 cs.AI cs.LO math.PR
Beyond Patterns: Harnessing Causal Logic for Autonomous Driving Trajectory Prediction
University of Macau（澳门大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
本文提出一种基于因果推断的自动驾驶轨迹预测框架，通过时空分解消除虚假相关并渐进融合多模态信息，在五个真实数据集上优于现有SOTA方法。
2025-05-11 cs.AI cs.RO
Temporal Many-valued Conditional Logics: a Preliminary Report
Università della Calabria（卡拉布里亚大学）；Università del Piemonte Orientale（东皮埃蒙特大学）
该研究提出多值时态条件逻辑，将含典型性的多值逻辑与LTL时态算子结合以刻画系统动态性，并探索了其在渐进式论证中的实例化应用。
2024-09-06 cs.AI cs.LO
CausalPOI: Spatio-Temporal Graph-Based Causal Modeling for Cold-Start POI Check-in Forecasting
Nanyang Technological University（南洋理工大学）；China Agricultural University（中国农业大学）；Meituan（美团）
提出CausalPOI框架，利用时空功能交互图建模POI间语义和空间关系，通过结构对齐的处理和对照图模拟事实与反事实场景，解决冷启动POI签到预测问题，在真实数据集上显著优于基线。
2026-06-03 cs.AI cs.LG
CaST: Causal Discovery via Spatio-Temporal Graphs in Disaster Tweets
CaST通过整合语义、时空信息，利用大规模语言模型构建事件图，实现灾难推文中更稳健和可解释的因果发现。
2026-02-01 cs.AI cs.SI
Causal Past Logic for Runtime Verification of Distributed LLM Agent Workflows
Université Paris-Saclay, CNRS, ENS Paris-Saclay, LMF, Gif-sur-Yvette, France（巴黎-萨克雷大学，国家科学研究中心，巴黎-萨克雷高等师范学院，LMF，法国吉夫昂蒂埃）
本文提出了一种因果过去逻辑（CPL）用于分布式大语言模型代理工作流的运行时验证，通过在ZipperGen框架中引入CPL，实现了对工作流中因果可见事件的实时监控和控制流影响，从而将运行时验证整合到协调语言本身。
2026-09-11 cs.AI cs.LO cs.PL
Reinforcement Learning with Temporal-Logic-Based Causal Diagrams
Arizona State University（亚利桑那州立大学）；TU Dortmund University（多特蒙德工业大学）；Center for Trustworthy Data Science and Security, University Alliance Ruhr（鲁尔大学联盟可信数据科学与安全中心）；Shanghai Jiao Tong University（上海交通大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
本文提出基于时序逻辑的因果图（TL-CD）以捕捉环境属性间的时间因果关係，据此设计强化学习算法，减少探索并加速收敛至最优策略。
2026-09-10 cs.AI cs.FL
Causal Representation Learning for Instantaneous and Temporal Effects in Interactive Systems
University of Amsterdam（阿姆斯特丹大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Qualcomm AI Research（高通人工智能研究院）
因果表示学习是从高维观测（如图像）中识别潜在因果变量及其关系的任务。最近的工作表明，人们可以重建因果变量的时间序列的观察下，假设它们之间没有瞬时的因果关系。然而，在实际应用中，我们的测量或帧速率可能比许多因果效应慢。这有效地创建了“瞬时”效果，并使先前的可识别性结果无效。为了解决这个问题，我们提出了iCITRIS，一种因果表示学习方法，当可以观察到干预目标时，该方法允许干预时间序列中的瞬时效果，例如，作为代理人的行为。iCITRIS从时间观测中识别潜在的多维因果变量，同时使用可区分的因果发现方法来学习它们的因果图。在三个数据集的交互式系统的实验中，iCITRIS准确地识别因果变量及其因果图。
2023-03-07 cs.AI cs.LG stat.ML
Appendix for: Cut-free Calculi and Relational Semantics for Temporal STIT logics
Technische Universität Wien（维也纳技术大学）
本文是Berkel和Lyon于2019年发表的论文“时态STIT逻辑的免切演算和关系语义”的附录。给出了基本STIT逻辑Ldm（相对于非自反的时态Kripke STIT框架）的完备性证明，并推导了逻辑Xstit的主体独立性公理.
2019-02-18 cs.AI cs.LO
Learning Temporally Causal Latent Processes from General Temporal Data
Carnegie Mellon University（卡内基梅隆大学）；Southeast University（东南大学）；Rice University（莱斯大学）
我们的目标是恢复时间延迟的潜在因果变量，并确定它们之间的关系，从测量的时间数据。估计因果关系相关的潜在变量从观察是特别具有挑战性的，因为潜在变量是不是唯一的恢复在最一般的情况下。在这项工作中，我们考虑了一个非参数，非平稳设置和参数设置的潜在过程，并提出了两个可证明的条件下，时间因果的潜在过程可以从他们的非线性混合物。我们提出了LEAP，这是一个理论上有基础的框架，它通过在因果过程之前的适当约束来执行我们的条件，从而扩展了变分自动编码器（VAE）。在不同数据集上的实验结果表明，在不同的依赖结构下，从观察到的变量中可靠地识别出时间因果潜在过程，并且我们的方法大大优于没有正确利用历史或非平稳信息的基线。这表明，即使没有稀疏性或最小性假设，使用时间信息以无监督的方式从其可逆非线性混合物中学习潜在过程，我们相信我们的工作是第一个，似乎很有希望。
2022-02-08 cs.AI cs.LG stat.ML
Temporal Logic Programs with Variables
University of Corunna（科鲁尼亚大学）；IRIT - Université Paul Sabatier（IRIT - 保罗·萨巴蒂埃大学）
在本文中，我们考虑的问题，引入变量的时间逻辑程序下的形式主义的“时间平衡逻辑”（TEL），回答集编程（ASP）的扩展处理线性时间模态算子。为了这个目的，我们提供了一个定义的一阶版本的TEL，共享的语法的一阶线性时间时序逻辑（LTL），但有不同的语义，选择一些LTL模型，我们称之为“时间稳定的模型”。然后，我们考虑理论的一个子类（称为“可分裂时态逻辑程序”），它们接近通常的逻辑程序，但允许限制使用时态运算符。在这种情况下，我们提供了一个语法定义的“安全变量”，足以显示属性的“域独立性”-也就是说，在宇宙中添加任意元素不会改变一组时间稳定的模型。最后，我们提出了一种方法，用于计算推导的事实，通过构建一个非时态的逻辑程序的变量，是一个标准的ASP接地。然后，由接地器提供的信息被用于生成地面时间规则的子集，其等同于（并且通常小于）完整的程序实例化。
2016-09-19 cs.AI cs.LO
A Cookbook for Temporal Conceptual Data Modelling with Description Logics
Free University of Bozen-Bolzano（博尔扎诺自由大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们设计了适用于时态概念数据模型推理的时态描述逻辑，并研究了它们的计算复杂性。我们的形式主义是基于DL-Lite逻辑与三种类型的概念包含（范围从原子概念包含和不相交的完整布尔），以及基数约束和角色包含。在时间维度上，它们捕获未来和过去的时间操作符的概念，灵活和刚性的角色，操作符的“总是”和“一些时间”的角色，数据断言的特定时刻的时间和全球概念的包容性。这些逻辑被解释为对象域和时间流（Z，<）的笛卡尔积，满足恒定域假设。我们证明，我们的时间描述逻辑（它可以捕捉生命周期基数和定性或定量的进化约束）最具表现力的结果是不可判定的。然而，通过省略概念/角色上的一些时态运算符或通过限制概念包含的形式，我们获得了复杂度介于PSpace和NLogSpace之间的逻辑。这些积极的结果是通过减少到命题时态逻辑的各种子句片段，这开辟了一条道路，采用命题或一阶时态证明推理的时间数据模型。
2014-05-02 cs.AI cs.LO
eCDANs: Efficient Temporal Causal Discovery from Autocorrelated and Non-stationary Data (Student Abstract)
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
传统的时间因果发现（CD）方法具有高维性，无法识别滞后的因果关系，并且经常忽略关系中的动态性。在这项研究中，我们提出了一种新的基于约束的CD方法，自相关和非平稳时间序列数据（eCDAN）能够检测滞后和同期的因果关系随着时间的变化。eCDAN通过优化条件集同时进行条件独立性（CI）测试来解决高维问题，并通过引入替代变量来表示时间依赖性来识别因果关系的变化。对合成数据和真实数据的实验表明，eCDAN可以识别时间影响并优于基线。
2023-03-06 cs.AI cs.LG stat.ME
Logic Synthesis Optimization with Predictive Self-Supervision via Causal Transformers
Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对逻辑综合优化中数据稀缺和泛化问题，提出LSOformer，利用因果Transformer和预测性自监督学习预测QoR轨迹，在多个数据集上显著提升预测精度。
2025-02-28 cs.AI cs.LG
CaTFormer: Causal Temporal Transformer with Dynamic Contextual Fusion for Driving Intention Prediction
CaTFormer通过动态上下文融合和因果建模，提升驾驶意图预测的准确性和透明性。
2026-01-08 cs.AI cs.CV
Causal Explanation for Reinforcement Learning: Quantifying State and Temporal Importance
University of California, Davis（加利福尼亚大学戴维斯分校）；Georgia Institute of Technology（佐治亚理工学院）
本文提出一种因果解释机制，量化强化学习中状态对动作的因果重要性及其时间演化，并通过多种仿真环境验证其优于现有关联解释方法。
2023-06-30 cs.AI cs.LG
Temporal Description Logic for Ontology-Based Data Access (Extended Version)
Free University of Bozen-Bolzano（博尔扎诺自由大学）；University of Liverpool（利物浦大学）；Birkbeck, University of London（伦敦大学伯贝克学院）
我们的目标是调查基于本体的数据访问时间的有效性时间和本体能够时间概念建模的时态数据。为此，我们设计了一个时态描述逻辑，TQL，扩展了标准的本体语言OWL 2 QL，提供了基本的手段，时间概念建模，并确保一阶重写适当定义的数据实例的有效期的合取查询。
2013-04-30 cs.AI cs.LO
Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences
School of Computer Science, Guangdong University of Technology（广东工业大学计算机科学学院）；Peng Cheng Laboratory（鹏城实验室）；Machine Learning Department, Mohamed bin Zayed University of Artificial Intelligence（Mohamed bin Zayed人工智能大学机器学习系）；College of Mathematics and Computer Science, Shantou University（汕头大学数学与计算机科学学院）
针对外部干扰下因果发现的挑战，该研究引入潜在变量表示未知外部因素，提出融合因果强度与邻接系数的时间潜在变量结构因果模型，并结合专家知识优化参数学习，提升了因果推断的稳定性与准确性。
2025-11-13 cs.AI cs.LG
On the Conditional Logic of Simulation Models
Stanford University（斯坦福大学）
我们建议分析条件推理呼吁干预的概念，在模拟程序，形式化和归纳的一些方法，条件思维在最近的人工智能文献。我们的主要成果包括一系列的公理化，允许这个框架和现有的框架（正常序模型，因果结构方程模型）之间的比较，和一个复杂的结果，建立NP-完全的可满足性问题。也许令人惊讶的是，一些基本的逻辑原则共同的所有现有的方法是无效的，在我们的因果模拟方法。我们认为，这种额外的灵活性是很重要的建模一些直观的例子。
2018-05-08 cs.AI cs.LO
Joint Reasoning for Temporal and Causal Relations
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of Wisconsin-Madison（威斯康星大学麦迪逊分校）；University of Pennsylvania（宾夕法尼亚大学）
理解事件之间的时间和因果关系是一项基本的自然语言理解任务。因为在时间上，原因必须先于结果，所以时间关系和因果关系密切相关，在许多情况下，一种关系甚至支配另一种关系。然而，很少有人注意到这两个关系的共同研究。本文提出了一个联合推理框架，他们使用约束条件模型（CCM）。具体来说，我们制定的联合问题作为一个整数线性规划（ILP）的问题，强制执行的时间和因果关系的性质固有的约束。我们表明，联合推理框架的结果在统计上显着改善从文本中提取的时间和因果关系。
2019-06-12 cs.AI cs.CL cs.IR
The Logical Expressiveness of Temporal GNNs via Two-Dimensional Product Logics
RPTU Kaiserslautern-Landau（亚琛工业大学凯撒斯劳滕-兰道分校）；Queen Mary University of London（伦敦女王大学）；University of Łódź（卢宾大学）；Theoretical Computer Science / Formal Methods（理论计算机科学/形式方法）；University of Kassel（卡塞尔大学）
该研究首次通过二维乘积逻辑刻画时序GNN的表达能力，证明递归应用静态GNN的时序GNN可表达PTL与K的乘积逻辑的全部性质，而图-时间、全局TGNN仅能表达受限片段。
2025-10-28 cs.AI cs.LG cs.LO
From Temporal to Contemporaneous Iterative Causal Discovery in the Presence of Latent Confounders
Intel Labs（英特尔实验室）
提出一种含潜在混杂因素的时间序列因果发现算法，按长期、短期到同期关系的顺序迭代精炼因果图，减少统计检验并提升准确率与图合理性。
2023-06-01 cs.AI cs.LG stat.ML
Integrating Fuzzy Logic with Causal Inference: Enhancing the Pearl and Neyman-Rubin Methodologies
The University of Quebec at Trois-Rivieres（魁北克大学三河校区）
本研究融合模糊逻辑推广Pearl与Neyman-Rubin因果推断方法，提出FATE、GFATE及其归一化版本的模糊因果效应公式，验证其可识别性与稳定性，并通过实验证实方法的实用性。
2024-06-19 cs.AI cs.LG cs.LO
CITRIS: Causal Identifiability from Temporal Intervened Sequences
University of Amsterdam（阿姆斯特丹大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Qualcomm AI Research（高通人工智能研究院）
从视觉观察中理解动力系统的潜在因果因素被认为是复杂环境中智能体推理的关键一步。在本文中，我们提出了CITRIS，一个变分自编码器框架，学习因果关系表示的图像中，潜在的因果因素可能被干预的时间序列。与最近的文献相比，CITRIS利用时间性和观察干预目标来识别标量和多维因果因素，如3D旋转角度。此外，通过引入规范化流程，CITRIS可以很容易地扩展到利用和解开已经预训练的自动编码器获得的表示。扩展以前的结果标量因果因素，我们证明了可识别性在一个更一般的设置，其中只有一些组件的因果因素的干预措施的影响。在3D渲染图像序列的实验中，CITRIS在恢复潜在的因果变量方面优于以前的方法。此外，使用预训练的自动编码器，CITRIS甚至可以推广到因果因素的不可见实例，为因果表示学习的模拟到真实泛化开辟了未来的研究领域。
2022-06-15 cs.AI cs.LG stat.ME
Dynamic Sparse Causal-Attention Temporal Networks for Interpretable Causality Discovery in Multivariate Time Series
针对多变量时间序列因果发现难题，提出DyCAST-Net架构，结合膨胀卷积与动态稀疏注意力过滤虚假连接，在金融与营销数据集上优于现有模型，提供更精确的因果延迟估计与可解释性。
2025-07-13 cs.AI cs.IR cs.LG
First-Order Temporal Logic Tensor Networks
Free University of Bozen-Bolzano（博兹纳-博洛尼亚自由大学）
提出FOT-LTN扩展逻辑张量网络以处理一阶线性时序逻辑，支持时态算子和量词且完全可微，在时序知识图谱补全任务上优于纯神经方法。
2026-06-29 cs.AI cs.LG cs.LO
Learning Temporal Causal Sequence Relationships from Real-Time Time-Series
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
我们的目标是挖掘时间因果序列，解释观察到的事件（后果）的时间序列的痕迹。时间序列中关键事件的因果解释在设计调试、异常检测、规划、根本原因分析等方面都有应用。我们利用决策树和区间算术挖掘序列，解释定义事件的时间序列。我们提出了修改后的决策树建设指标，以处理时间维度引入的非确定性。挖掘出的序列用易于解释的可读时序逻辑语言表示。所提出的方法的应用说明通过各种例子。
2021-01-24 cs.AI cs.LG cs.LO
RealTCD: Temporal Causal Discovery from Interventional Data with Large Language Model
Alibaba Cloud（阿里云）；SIGS, Tsinghua University（清华大学深圳国际研究生院）；DCST, Tsinghua University（清华大学信息科学技术学院）；BNRist, Tsinghua University（清华大学北京信息科学与技术国家研究中心）
针对工业场景中无干预目标且含文本信息的时序因果发现难题，提出RealTCD框架，结合基于评分的方法与LLM引导的元初始化，在模拟和真实数据上优于现有基线。
2024-05-26 cs.AI cs.LG stat.ME
DCD: Decomposition-based Causal Discovery from Autocorrelated and Non-Stationary Temporal Data
Causal AI Lab, Department of Information Systems University of Maryland, Baltimore County（因果AI实验室，信息系统系马里兰大学巴尔的摩县）
本文提出一种基于分解的因果发现方法，通过分离时间序列的趋势、季节性和残差成分，分别进行因果分析，从而在非平稳和自相关数据中更准确地恢复真实因果结构。
2026-10-14 cs.AI cs.LG stat.ML
Words as Difference Makers: How Large Language Models Determine Causal Structure in Text
本文提出大型语言模型通过变分归纳逻辑学习因果结构，并分析其训练过程与架构特征如何实现差异制造者识别。
2026-06-23 cs.AI cs.CL cs.LG
Cut-free Calculi and Relational Semantics for Temporal STIT Logics
Technische Universität Wien（维也纳工业大学）
我们提出了一个中央形式主义的代理逻辑：STIT逻辑与时间运营商的切割自由标记的微积分。其中包括用于Ldm、Tstit和Xstit的嵌入式系统。所有的结石都具有基本的结构特性，如收缩和切容许性。标记的结石G3Ldm和G3TSTIT相对于非自反的时间框架显示出健全和完整。此外，我们扩展目前的结果表明，也XSTIT可以通过关系框架，省略使用BT+AC框架的特点。
2019-04-22 cs.AI cs.LO math.LO
Logics of Temporal-Epistemic Actions
我们提出了动态认知时序逻辑，推理框架上的多代理Kripke模型，包含指定的时间关系的操作。这些操作是动态认知逻辑中著名的“动作模型”的自然扩展。我们的“时间动作模型”可以用来定义一些信息动作，这些信息动作可以修改模型的“客观”时间结构，以及智能体关于该结构的基本和高阶知识和信念，包括他们关于时间的信念。本质上，这种方法提供了一种将动作模型风格操作的域从非时态Kripke模型扩展到时态Kripke模型的方法，其方式允许动作控制时间流。我们提出了一些例子来说明解释我们的扩展动作模型对时间Kripke模型的影响所涉及的微妙之处。我们还研究了保存时间Kripke模型的时间动作模型诱导的操作下的重要的认知时间属性，提供完整的公理化的时间动作模型的两个理论，并连接我们的方法与以前的工作在动态认知逻辑的时间。
2014-11-23 cs.AI cs.LO cs.MA
