Causal Explanations for Sequential Decision-Making in Multi-Agent Systems
University of Edinburgh(爱丁堡大学)
本文提出 CEMA 框架,利用概率模型模拟反事实世界,为动态多智能体系统中的序贯决策生成因果自然语言解释,以提升自主智能体的可信赖度,并在自动驾驶场景中验证了其有效性和对用户信任的积极影响。
2024-02-14 cs.AI cs.RO
Evaluating Temporal Observation-Based Causal Discovery Techniques Applied to Road Driver Behaviour
Oxford Robotics Institute(牛津机器人研究所);University of Oxford(牛津大学)
针对自动驾驶领域观测型因果发现技术难以应对因果稀疏性与非平稳性的问题,本文对10种时间因果发现方法开展基准测试,评估其在真实与合成场景的表现,指出改进方向并探讨未来研究路径。
2023-04-07 cs.AI cs.RO
Integrating Symbolic RL Planning into a BDI-based Autonomous UAV Framework: System Integration and SIL Validation
本研究提出AMAD-SRL框架,整合符号RL与BDI方法,通过SIL验证提升无人机任务效率75%。
2026-01-11 cs.AI cs.RO
From semantics to execution: Integrating action planning with reinforcement learning for robotic causal problem-solving
强化学习是在噪声条件下鲁棒地执行低级别机器人控制的适当且成功的方法。符号行动计划有助于解决因果依赖关系,并将因果关系复杂的问题分解为一系列更简单的高级行动。这两种方法的集成的一个问题是,行动规划是基于离散的高级动作和状态空间,而强化学习通常是由连续的奖励函数驱动。然而,强化学习的最新进展,特别是通用价值函数逼近器和事后经验重放,都集中在基于稀疏奖励的目标无关方法上。在本文中,我们建立在这些新方法的基础上,通过利用奖励稀疏性作为高级和低级状态和控制空间之间的桥梁,促进行动规划与强化学习的集成。因此,我们证明了集成的神经符号的方法是能够解决对象操作问题,涉及工具使用和非平凡的因果依赖关系在嘈杂的条件下,利用数据和知识。
2019-12-08 cs.AI cs.LG cs.RO
Co-Modifying Application Code and Deployment Infrastructure: A Causal Study of AI Agent Pull Requests
University of New South Wales(新南威尔士大学)
该研究通过分析AIDev v5和MOSAIC-3M数据集的26999个PR,发现AI智能体的双范围PR占比低但会引发双峰集成结果,部分PR绕过检查静默合并,凸显了部署感知基准和路径访问控制的必要性。
2026-10-12 cs.AI cs.SE
Legal Responsibilities Using Autonomous Agents For Artificial Intelligence
ChiTek-i AS
该研究针对AI智能体脱离管控引发的法律责任问题,采用承诺理论的下游原则提出系统性解决方法,可将责任扩展至AI智能体,并通过政策限制其行动自由。
2026-08-11 cs.AI cs.CY
ARCADIA: Scalable Causal Discovery for Corporate Bankruptcy Analysis Using Agentic AI
Department of Economics, Statistics and Business, Universitas Mercatorum, Rome, Italy(经济学、统计学与商业系,墨菲大学,罗马,意大利);Department of Engineering and Science, Universitas Mercatorum, Rome, Italy(工程与科学系,墨菲大学,罗马,意大利);Independent Researcher, Bucharest, Romania(独立研究者,布加勒斯特,罗马尼亚)
ARCADIA通过代理AI结合大语言模型和统计诊断,实现企业破产分析中的可扩展因果发现,提供可靠且可解释的因果图模型。
2025-11-30 cs.AI stat.CO stat.ME
Causal Counterfactuals for Improving the Robustness of Reinforcement Learning
Trinity College Dublin(都柏林圣三一学院)
本文提出完整因果RL框架CausalCF,融合Causal Curiosity的干预机制与改造后的CoPhy反事实推理,并在CausalWorld机器人任务中验证其可提升RL鲁棒性。
2023-06-05 cs.AI cs.LG cs.RO
Causal-Copilot: An Autonomous Causal Analysis Agent
University of California San Diego(加利福尼亚大学圣迭戈分校)
Causal-Copilot是一个基于大语言模型的自主智能体,自动化因果分析全流程,整合20多种技术,支持自然语言交互,实证性能优于现有基线,弥合理论与应用鸿沟。
2025-04-21 cs.AI
To Code or not to Code? Adaptive Tool Integration for Math Language Models via Expectation-Maximization
Hong Kong University of Science and Technology(香港科技大学);INFLY Tech(INFLY科技)
本文提出基于期望最大化的自适应工具集成框架,通过结构化探索与离策略强化学习协同,使数学语言模型自主决定何时使用代码,7B 模型在 MATH500 和 AIME 上分别提升超 11% 和 9.4%。
2025-07-18 cs.AI cs.CL cs.LG
A Generalizable Physics-guided Causal Model for Trajectory Prediction in Autonomous Driving
本文提出了一种通用的物理引导因果模型,通过解耦场景编码器和因果ODE解码器提升自动驾驶中的零样本轨迹预测能力。
2026-02-15 cs.AI
Toward a Causal Data Management Ecosystem for Decision Making and Agentic AI
Lyon 1 University(里昂第一大学);CNRS(法国国家科学研究中心);Liris(里昂信息学研究实验室);IUF(法国大学研究院)
本文针对AI生态系统决策混杂问题,提出构建共享可查询的因果世界系统(CWS),为面向决策与智能体AI的因果数据管理生态系统提供支持。
2026-08-10 cs.AI cs.DB cs.SY
Extending Structural Causal Models for Autonomous Vehicles to Simplify Temporal System Construction & Enable Dynamic Interactions Between Agents
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所)
本文扩展结构因果模型形式化,以支持模块化、常数空间时序表示及动态智能体集合,从而促进其在自动驾驶与服务机器人中的因果推理应用。
2025-03-18 cs.AI cs.RO cs.SE
AI-driven multi-omics integration for multi-scale predictive modeling of causal genotype-environment-phenotype relationships
Feil Family Brain & Mind Research Institute(费尔家族脑与心智研究所);Helen & Robert Appel Alzheimer’s Disease Research Institute(海伦与罗伯特·阿佩尔阿尔茨海默病研究所)
针对多组学数据预测因果基因型-环境-表型关系的挑战,提出AI驱动的生物学启发多尺度建模框架,整合多层面数据以提升预测能力并发现新靶点。
2024-07-08 cs.AI
CauTraj: A Causal-Knowledge-Guided Framework for Lane-Changing Trajectory Planning of Autonomous Vehicles
Chongqing Jiaotong University(重庆交通大学);Tongji University(同济大学)
CauTraj通过整合因果知识提升自动驾驶车辆车道变换轨迹规划的精度与稳定性。
2025-12-21 cs.AI cs.RO
Causality-Aware End-to-End Autonomous Driving via Ego-Centric Joint Scene Modeling
Korea University(韩国大学);Kakao Mobility
本文提出CaAD框架,通过共享潜在场景表示捕捉车辆与周围代理之间的因果依赖关系,以提高端到端自动驾驶的闭环规划性能。
2026-05-19 cs.AI cs.RO
ALCM: Autonomous LLM-Augmented Causal Discovery Framework
University of California, Irvine(加利福尼亚大学欧文分校)
针对高维数据集因果发现的NP难问题,提出ALCM框架融合数据驱动算法与LLMs,通过三个组件自主协作生成更优因果图,实验表明其性能优于现有方法,为因果推理提供新方向。
2025-04-16 cs.AI cs.CL cs.LG
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
Working Paper: Active Causal Structure Learning with Latent Variables: Towards Learning to Detour in Autonomous Robots
Computer Engineering Department, Universidad Autónoma de Madrid(马德里自治大学计算机工程系)
本文提出通过带有潜在变量的主动因果结构学习(ACSLWL)使自主机器人能主动构建因果模型,以应对环境变化,通过学习绕道行为提升效率。
2026-03-26 cs.AI cs.LG
Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments
University of Lincoln(林肯大学);National Research Council of Italy(意大利国家研究 council);University of Padua(帕多瓦大学)
本文提出基于因果推理的决策框架,通过建模因果关系帮助机器人在动态环境中更高效安全地完成任务,同时开发了PeopleFlow模拟器来评估因果方法的有效性。
2026-05-01 cs.AI cs.RO
AUDITA: certified auditing and causal attribution of adverse outcomes in autonomous multi-agent systems
Duke University(杜克大学)
AUDITA是自主多智能体系统的审计层,结合防篡改智能体命令记录与可验证因果归因引擎,可减少责任错误、处理多重决定等场景,将责任判定从争论转为证据计算。
2026-09-01 cs.AI
A Causal Analysis of Harm
University of Tübingen(图宾根大学);LMU(慕尼黑大学);causaLens;King’s College London(伦敦国王学院);Cornell University(康奈尔大学)
随着自主系统迅速变得无处不在,越来越需要一个法律和监管框架来解决此类系统何时以及如何伤害某人的问题。在哲学文献中曾有几次试图界定伤害的定义,但没有一次证明能够处理所提出的许多例子,导致一些人建议应放弃伤害的概念,“代之以更规范的概念”。由于伤害通常是造成的,这些定义大多涉及某种程度的因果关系。然而,令人惊讶的是,他们都没有使用因果模型和他们可以表达的实际因果关系的定义。在本文中,我们正式定义了一个定性的伤害概念,该概念使用因果模型,并基于众所周知的实际因果关系定义(Halpern,2016)。我们的定义的关键新颖之处在于,它是基于对比因果关系,并使用一个默认的效用,实际结果的效用进行比较。我们表明,我们的定义是能够处理的例子,从文献中,并说明其重要性,推理的情况下,涉及自治系统。
2023-01-19 cs.AI
Information Gain-Guided Causal Intervention for Autonomous Debiasing Large Language Models
Research Center for Social Computing and Interactive Robotics(社会计算与交互机器人研究中心);Harbin Institute of Technology(哈尔滨工业大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
提出信息增益引导的因果干预去偏框架(ICD),通过因果干预重写数据以消除指令微调数据集偏差,提升LLM的泛化能力。
2025-05-27 cs.AI cs.CL
NeuroFlow: Development of lightweight and efficient model integration scheduling strategy for autonomous driving system
Seoul National University(首尔国立大学)
本研究提出名为NeuroFlow的自动驾驶专用系统,通过优化数据流、动态调整深度学习模型影响因素及确定非深度学习算法资源优先级,在实车多场景实验中验证了稳定推理与有效控制能力,为自动驾驶系统发展提供新突破。
2023-12-15 cs.AI cs.RO
Knowledge Integration Strategies in Autonomous Vehicle Prediction and Planning: A Comprehensive Survey
Freie Universität Berlin(柏林自由大学);Continental Automotive Technologies GmbH(大陆汽车技术有限公司);Fraunhofer FOKUS Berlin(弗劳恩霍夫研究所柏林)
本综述系统梳理自动驾驶轨迹预测与规划中的知识集成方法,分类分析符号到神经符号架构,并指出可解释AI、形式化验证及混合方法等未来趋势。
2025-05-22 cs.AI cs.LG
CausalTrace: A Neurosymbolic Causal Analysis Agent for Smart Manufacturing
University of South Carolina(南卡罗来纳大学)
CausalTrace是一个集成于SmartPilot的神经常符号因果分析模块,通过因果发现、反事实推理和根本原因分析提供透明决策支持,在火箭装配测试中实现高准确率和专家一致性。
2025-10-14 cs.AI
UniPlanner: A Unified Motion Planning Framework for Autonomous Vehicle Decision-Making Systems via Multi-Dataset Integration
Guangdong Key Laboratory of Intelligent Information Processing, College of Electronics and Information Engineering, Shenzhen University(广东智能信息处理重点实验室,电子与信息工程学院,深圳大学);School of Computer Science and Cyber Engineering, Guangzhou University(计算机科学与网络工程学院,广州大学);School of Artificial Intelligence, Guangzhou University(人工智能学院,广州大学)
针对自动驾驶运动规划单数据集训练鲁棒性不足的问题,提出首个多数据集融合规划框架UniPlanner,通过HFTDN、GFTM和S2D三项创新实现跨数据集统一学习,提升规划安全性与效率。
2025-10-28 cs.AI
Predictive Situation Awareness for Ebola Virus Disease using a Collective Intelligence Multi-Model Integration Platform: Bayes Cloud
BAIES, LLC(BAIES有限责任公司);George Mason University(乔治梅森大学)
人类一直面临着与传染病相关的大量挑战,每年有600多万人死于传染病。尽管已作出持续努力以减轻此类不幸事件的潜在损害,但毫无疑问,仍有许多持续的挑战有待克服。我们在此特别讨论的一个相关问题是对此类流行病的评估和预测。在这一研究领域,传统的和特设的模型往往无法提供适当的预测态势感知(PSAW),其特征在于理解当前的情况和预测未来的情况。针对传染病的全面PSAW可以支持决策,并有助于阻止疾病传播。在本文中,我们开发了一个计算系统平台,专注于集体智慧因果建模,以支持PSAW在传染病领域。对全球流行病的分析需要整合多个不同的数据和模型,这些数据和模型可能来自多个独立的研究人员。这些模型应该整合起来,从整体上准确地评估和预测传染病。该系统应提供三个主要功能:(1)协作因果建模,(2)因果模型集成,(3)因果模型推理。这些功能由主题专家和人工智能(AI)支持,并具有不确定性处理。主题专家,作为集体智慧,开发因果模型,并将它们整合为一个联合因果模型。综合因果模型应用于推理:(1)过去,关于因果因素如何发生;(2)现在,关于传播现在如何进行;(3)未来,关于传播将如何进行。最后,我们介绍了一个用于埃博拉病毒疾病的预测性态势感知的用例。
2019-05-04 cs.AI physics.soc-ph q-bio.PE
AnchorReasoning: A Visual Grounding and Causal Reasoning Dataset in Long-Tail Autonomous Driving Scenarios
University of Georgia(佐治亚大学)
该研究提出AnchorReasoning数据集,通过视觉定位思维链监督,提升长尾自动驾驶中VLM的推理与轨迹预测能力。
2026-09-24 cs.AI cs.CV
Enhancing the Performance of Neural Networks Through Causal Discovery and Integration of Domain Knowledge
The Hong Kong Polytechnic University(香港理工大学);Sichuan University(四川大学);The Chinese University of Hong Kong(香港中文大学);Hong Kong Baptist University(香港浸会大学);NEOMA Business School(诺欧商学院)
本文提出因果信息神经网络(CINN),通过DAG学习发现因果关系并映射到网络分层设计中,在UCI数据集上显著提升预测性能。
2024-12-24 cs.AI cs.LG stat.ME
Neuro-Symbolic Integration Brings Causal and Reliable Reasoning Proofs
The Chinese University of Hong Kong(香港中文大学);DAMO Academy, Alibaba Group(阿里巴巴达摩院);Shanda AI Research Institute(盛大人工智能研究院)
针对LLM复杂推理中准确性与可解释性的权衡,提出将Prolog搜索日志转为可读证明的神经符号框架,在逻辑与算术数据集上显著提升答案与证明准确性。
2025-02-24 cs.AI cs.CL
Traceable Multi-Agent System for Knowledge-Based Forecasting
本文提出可追踪多智能体预测演示系统TraceMAS,通过两类因果环图关联证据与预测,在原油价格预测中验证其可让自主智能体兼顾灵活性与过程可检查性。
2026-08-05 cs.AI
CausalAF: Causal Autoregressive Flow for Safety-Critical Driving Scenario Generation
Carnegie Mellon University(卡内基梅隆大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对安全关键驾驶场景稀有且难生成的问题,提出基于因果先验和因果掩码的流生成框架CausalAF,以更低优化成本生成多样风险场景并提升自动驾驶算法鲁棒性。
2023-08-19 cs.AI cs.CV cs.LG
Causal Graph Neural Networks for Healthcare
University of Oxford(牛津大学);Leipzig University(莱比锡大学)
本文探讨了因果图神经网络在医疗保健中的应用,通过结合生物医学数据的图表示与因果推断,学习不变机制而非虚假相关性,旨在提升跨机构部署的性能并减少歧视性模式。
2026-03-27 cs.AI cs.LG
Large Language Model Integration with Reinforcement Learning to Augment Decision-Making in Autonomous Cyber Operations
Royal Military College of Canada(皇家军事学院);Defence Research and Development Canada(加拿大国防研究与发展加拿大);Polytechnique Montreal(蒙特利尔大学)
本研究通过整合预训练的大语言模型与强化学习,提升自主网络操作中的决策能力,显著提高奖励并加速策略收敛。
2026-02-13 cs.AI cs.CR cs.LG
Multi-Agent Causal Discovery Using Large Language Models
Department of Industrial Engineering, Tsinghua University(清华大学工业工程系)
提出多智能体因果发现框架MAC,通过元融合机制结合自主选择SCD算法的辩论编码模块和基于元数据的对抗性辩论模块,在多个基准上取得最优性能。
2026-05-26 cs.AI cs.CL
RADAR: Closed-Loop Robotic Data Generation via Semantic Planning and Autonomous Causal Environment Reset
Southern University of Science and Technology(南方科技大学);Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));Spatialtemporal AI(时空人工智能)
RADAR通过语义规划和自主因果环境重置实现闭环机器人数据生成,具备高适应性和可扩展性,在仿真和现实部署中均表现出卓越的性能。
2026-07-16 cs.AI cs.CV cs.RO
AutoRedTeamer: Autonomous Red Teaming with Lifelong Attack Integration
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Stanford University(斯坦福大学);Meta AI;University of Chicago(芝加哥大学)
针对现有LLM红队测试依赖人工、覆盖新兴攻击不足的问题,提出结合多智能体架构与记忆引导攻击选择的AutoRedTeamer框架,可自动发现整合新攻击,在HarmBench上攻击成功率提升20%、成本降46%,测试用例多样性媲美人工基准。
2025-03-20 cs.AI cs.CR
Enhancing Autonomous Vehicle Training with Language Model Integration and Critical Scenario Generation
Imperial College London(帝国理工学院);Centre for Transport Engineering and Modelling(交通工程与建模中心);Department of Civil and Environmental Engineering(土木与环境工程系);Personal Robotics Laboratory(个人机器人实验室)
本文提出用于自动驾驶训练测试的CRITICAL闭环框架,通过整合真实交通动态、驾驶行为分析、替代安全指标及可选LLM生成针对RL智能体短板的关键场景,经PPO和HighwayEnv验证可提升训练效率与系统性能,加速AV开发并优化安全验证。
2024-04-12 cs.AI cs.LG cs.RO
SynAD: Enhancing Real-World End-to-End Autonomous Driving Models through Synthetic Data Integration
KAIST(韩国科学技术院);AI Center, Samsung Electronics(三星电子人工智能中心)
针对端到端自动驾驶训练场景多样性不足的问题,提出SynAD框架,通过指定合成场景自车、Map-to-BEV网络生成特征及混合训练策略,用合成数据增强模型安全性能。
2025-10-28 cs.AI cs.RO
Leveraging Large Language Models for Enhancing Autonomous Vehicle Perception
School of Science(理学院)
本文提出将大语言模型集成到自动驾驶车辆感知框架中,以增强上下文理解、传感器融合与决策支持,实验证明其可提升感知准确性与可靠性,并借助记忆模块和自适应学习实现持续改进。
2024-12-28 cs.AI cs.RO
AUTONAV: A Toolfor Autonomous Navigation of Robots
School of Mathematical and Computational Sciences(数学与计算科学学院);Indian Association for the Cultivation of Science(印度科学促进协会)
该研究提出工具AUTONAV以自动化机器人自主导航的建图、定位与路径规划任务,其模块化架构支持多算法集成比较,并在室内仿真场景验证了其生成地图与路径规划的能力。
2025-04-10 cs.AI cs.RO
Open Challenges in the Formal Verification of Autonomous Driving
University of Modena and Reggio Emilia(摩德纳与雷焦艾米利亚大学)
本文通过真实自动驾驶系统案例,分析异构组件集成带来的认证难题,并探讨形式化验证方法如何保障系统可靠性与安全性。
2024-11-21 cs.AI cs.DC cs.RO
Physics-Grounded Causal Auditing of End-to-End Driving Planners
School of Electronics Engineering, Kyungpook National University(庆北国立大学电子工程学院)
提出CADET框架,无需重新训练即可审计和修复预训练端到端驾驶规划器中的虚假关联,通过物理因果图识别混杂因素并干预测试时输入。
2026-08-19 cs.AI cs.RO
RSIAgent: Autonomous Exploration for Recursive Self-improvement in New Environments
Aether AI;University of California San Diego(加州大学圣迭戈分校);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
RSIAgent提出无需训练的多智能体框架,通过自主记忆构建和先广后深探索实现递归自我改进,显著提升开源模型在新环境中的表现。
2026-09-22 cs.AI cs.CL cs.CV
Causally Linking Health Application Data and Personal Information Management Tools
The University of Edinburgh(爱丁堡大学);Aalto University(阿尔托大学)
本文提出整合健康数据流、个人信息管理工具、分析可视化、推理方法与图形界面的框架,以揭示不同时间序列间的因果联系。
2023-08-11 cs.AI cs.HC stat.AP