MXMap: A Multivariate Cross Mapping Framework for Causal Discovery in Dynamical Systems
McGill University（麦吉尔大学）；Hydro-Québec Research Institute (IREQ)（魁北克水电研究学院（IREQ））
本文提出多变量交叉映射框架MXMap，通过成对CCM建立初始因果图并用multiPCM剪除间接因果连接，在模拟数据与ERA5天气数据上验证了其在因果发现准确性和图细化方面的优势。
2025-02-06 cs.LG math.DS stat.ME
CausalDynamics: A large-scale benchmark for structural discovery of dynamical causal models
Columbia University（哥伦比亚大学）；kausable GmbH（kausable公司）；Aeolus Labs（Aeolus实验室）
针对动态系统因果发现中现有方法局限于确定性、低维和弱非线性数据的问题，本文提出大规模基准CausalDynamics，提供可扩展的数据生成框架，并全面评估了最先进的因果发现算法，以推动动态因果模型结构发现的发展。
2025-10-10 cs.LG
Tangent Space Causal Inference: Leveraging Vector Fields for Causal Discovery in Dynamical Systems
Department of Electrical and Computer Engineering（电气与计算机工程系）；Stony Brook University（石溪大学）
针对动力系统时间序列因果发现中CCM方法不准确的问题，提出基于向量场同步的TSCI方法，可替代CCM，增强版结合深度学习，在基准任务上性能更优。
2024-10-30 cs.LG eess.SP nlin.CD
Dynamical-VAE-based Hindsight to Learn the Causal Dynamics of Factored-POMDPs
School of Computer Science, The University of Sheffield（谢菲尔德大学计算机学院）；Univ. Lille（里尔大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Centrale Lille（里尔中央理工学院）；Centrum Wiskunde & Informatica（数学和计算机科学中心）
针对POMDPs中部分观测下的状态表示问题，提出DVAE模型，通过扩展的后见之明框架整合过去、当前和多步未来信息，有效学习因果马尔可夫动力学并揭示隐状态转移的因果图。
2024-11-12 cs.LG stat.ML
Fairness Through Causal Awareness: Learning Latent-Variable Models for Biased Data
University of Toronto（多伦多大学）；Vector Institute（向量研究所）
我们如何从有偏见的数据中学习？历史数据集通常反映了历史偏见;敏感或受保护的属性可能会影响观察到的治疗和结果。负责从这些数据集准确预测结果的分类算法往往会复制这些偏差。我们提倡一种因果建模方法来从有偏见的数据中学习，探索公平分类和干预之间的关系。我们提出了一个因果模型，其中敏感属性混淆治疗和结果。基于之前在深度学习和生成建模方面的工作，我们描述了如何仅从观察数据中学习这个因果模型的参数，即使存在未观察到的混杂因素。我们的实验表明，公平意识的因果模型提供了更好的估计之间的因果关系的敏感属性，治疗和结果。我们进一步提出的证据表明，估计这些因果效应可以帮助学习更准确和公平的政策，当与历史上有偏见的数据集。
2018-12-03 cs.LG stat.ML
Causal Modeling with Stationary Diffusions
ETH Zürich（苏黎世联邦理工学院）；MPI for Intelligent Systems（马克斯·普朗克智能系统研究所）
本文提出基于平稳扩散的因果推断新方法，通过随机微分方程学习干预下的系统行为，无需因果图或无环假设，并引入核平稳性偏差（KDS）作为目标函数，在未见干预上优于经典方法。
2024-03-16 cs.LG
Detecting and Mitigating Algorithmic Bias in Binary Classification using Causal Modeling
Singapore Institute of Technology（新加坡理工学院）；University of Western Australia（西澳大利亚大学）
该研究针对二分类场景中的算法性别偏差问题，提出基于因果建模的检测与缓解方法，经Adult数据集验证可有效减偏差且略提准确率，方法易用可解释性强。
2023-11-09 cs.CY cs.LG
Integrating Markov processes with structural causal modeling enables counterfactual inference in complex systems
Gamalon Inc.（Gamalon公司）；Northeastern University（东北大学）
这篇文章提供了一个一般的和实用的框架，铸造一个马尔可夫过程模型的系统在平衡作为一个结构的因果模型，并进行反事实推理。马尔可夫过程在数学上描述了系统中的机制，并预测系统在干预时的平衡行为，但不支持反事实推理。相反，结构因果模型支持反事实推理，但不确定的机制。本手稿利用了这两种方法的优点。我们定义的结构因果模型的参数和平衡动态的马尔可夫过程模型，并从这些设置反事实推理流。所提出的方法消除了结构因果模型的可识别性缺陷，因为反事实推理与从马尔可夫过程模型模拟的反事实轨迹是一致的。我们展示了这个框架的好处，在复杂的生物分子系统的非线性动力学的案例研究。我们说明了，在存在马尔可夫过程模型误指定，反事实推理利用先验数据，因此估计干预的结果比直接模拟更准确。
2019-11-06 cs.LG q-bio.MN stat.AP
Causal Modeling in Multi-Context Systems: Distinguishing Multiple Context-Specific Causal Graphs which Account for Observational Support
German Aerospace Center (DLR)（德国航空航天中心）；Technische Universität Dresden（德累斯顿工业大学）；Technische Universität Berlin（柏林工业大学）
本文研究多上下文下观测支持差异对因果图可辨识性的影响，提出在SCM中精细化建模CSI的框架，以区分并解释特定上下文因果结构变化。
2024-10-27 cs.LG math.ST stat.TH
An AI-powered Bayesian generative modeling approach for causal inference in observational studies
Department of Biostatistics, Yale University（耶鲁大学生物统计学系）；Department of Statistics, Stanford University（斯坦福大学统计学系）
CausalBGM通过学习个体特定的低维潜在特征集，提升高维协变量和大规模数据集中的因果推断性能。
2026-02-19 cs.AI cs.LG stat.ME
From Identifiable Causal Representations to Controllable Counterfactual Generation: A Survey on Causal Generative Modeling
University of Arkansas（阿肯色大学）；Clemson University（克莱姆森大学）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
本综述系统梳理因果生成建模，涵盖因果表征学习与可控反事实生成，并探讨其理论、方法、应用及未来方向。
2024-05-23 cs.AI cs.LG stat.ML
Uplift Modeling based on Graph Neural Network Combined with Causal Knowledge
Alipay, AntGroup（支付宝，蚂蚁集团）；Imperial College London（伦敦帝国理工学院）；University College London（伦敦大学学院）；Zhejiang University（浙江大学）；Peking University（北京大学）；Zhejiang Lab（之江实验室）
提出一种结合因果知识与图神经网络的增量建模框架，通过CATE估计和结构学习，有效预测增量值，在模拟和实际数据中表现良好。
2023-11-14 cs.AI cs.LG stat.ML
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
Causal Modeling for Fairness in Dynamical Systems
University of Toronto（多伦多大学）；Vector Institute（矢量研究所）
在许多应用领域-例如贷款、教育和在线零售商-当机器学习系统与动态变化的环境交互时，公平和公正问题就会出现，从而对个人和人口群体产生即时和长期影响。我们讨论因果有向无环图（DAG）作为一个统一的框架，最近的文献公平性，在这样的动态系统。我们表明，这种提法提供了几个新的调查方向的建模，因果关系的假设可以表达和操纵。我们强调在动态公平设置中计算干预量的重要性，并展示了因果假设如何使模拟（当环境动态已知时）和离线政策估计（当动态未知时）在组和个人层面上对短期和长期结果进行干预。
2020-07-06 cs.AI cs.CY cs.LG
CausalRM: Causal-Theoretic Reward Modeling for RLHF from Observational User Feedbacks
Peking University（北京大学）；Xiaohongshu Inc.（小红书公司）；Zhejiang University（浙江大学）
本文提出CausalRM框架，通过因果理论处理观察性用户反馈中的噪声和偏见问题，提升RLHF任务性能，实验显示在WildGuardMix和HarmBench上分别提升49.2%和32.7%。
2026-03-19 cs.AI cs.CL cs.LG
Can LLMs Assist Expert Elicitation for Probabilistic Causal Modeling?
Schulich School of Engineering（舒立奇工程学院）；University of Calgary（卡尔加里大学）
本研究探讨大型语言模型（LLMs）替代人类专家启发提取结构化因果知识的潜力，通过医疗数据集将LLM生成的贝叶斯网络与传统统计方法对比，发现其熵更低，为概率因果建模提供新途径。
2025-04-14 cs.AI cs.LG
A Meta-Learning Perspective on Transformers for Causal Language Modeling
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文从元学习视角解析了Transformer在因果语言建模中的训练过程，通过阐明其内部优化机制，发现并理论分析了学习到的token表示范数的特殊特征，且得到了多设置实验的支持。
2024-03-25 cs.AI cs.CL cs.LG
causalgraph: A Python Package for Modeling, Persisting and Visualizing Causal Graphs Embedded in Knowledge Graphs
Fraunhofer Institute for Machine Tools and Forming Technology IWU（弗劳恩霍夫机床与成形技术研究所）；Technische Universität Dresden（德累斯顿工业大学）
本文介绍了一种新的Python包，命名为causegraph，建模和保存因果图嵌入在知识图谱。该软件包的目的是提供一个因果学科之间的接口，如因果发现和因果推理。使用这个包，用户可以创建和保存因果图，并导出生成的图，以用于其他基于图的包。拟议的一揽子办法的主要优点是能够便利将更多的信息和元数据与因果结构联系起来。此外，该软件包还提供了用于图形建模和绘图的各种功能，例如编辑、添加和删除节点和边。它还与广泛使用的图形数据科学库（如NetworkX和Tigramite）兼容，并在后台集成了专门开发的cathetraphontology。本文概述了该包的主要特性、功能和使用示例，使读者能够在实践中有效地使用该包。
2023-01-20 cs.AI
Generative Marketing Mix Modeling: A Causal Inference Framework Linking GEO and GEM to Business Impact
The University of Tokyo（东京大学）；Mizuho-DL Financial Technology Co., Ltd.（瑞穗-DL金融科技有限公司）；NP-hard
针对生成式AI环境下营销数据缺失问题，提出GMMM因果推断框架，结合GEO与GEM数据估计业务影响，并通过英日模拟验证其性能。
2026-09-11 cs.AI cs.LG econ.EM
How Rules Represent Causal Knowledge: Causal Modeling with Abductive Logic Programs
Eberhard-Karls-Universität Tübingen（图宾根大学）；German University of Digital Science（德国数字科学大学）
本文将Pearl的因果干预理论扩展到分层溯因逻辑程序，通过翻译为因果系统并证明稳定模型语义符合因果充分性等哲学原则，为逻辑程序用于因果建模和干预效果预测奠定理论基础。
2025-07-07 cs.AI
Causal feature selection framework for stable soft sensor modeling based on time-delayed cross mapping
Beihang University（北京航空航天大学）；Politecnico di Milano（米兰理工大学）；MINES Paris-PSL University（巴黎高等矿业学院-巴黎文理研究大学）
本文提出基于时间延迟交叉映射的因果特征选择框架，用于提升软传感器模型的稳定性和准确性。
2026-01-20 cs.AI cs.LG
Causality and independence in perfectly adapted dynamical systems
University of Amsterdam（阿姆斯特丹大学）
动态系统中的完美适应是这样一种现象，即一个或多个变量对外部刺激的持续变化有初始的瞬态响应，但当系统收敛到平衡时恢复到它们的原始值。在因果排序算法的帮助下，可以构建动态系统的图形表示，表示变量之间的因果关系和平衡分布中的条件独立性。我们应用这些工具，制定充分的图形条件，从一组一阶微分方程识别完美的适应。此外，我们给出了充分条件，以测试存在的完美适应的实验平衡数据。我们将这种方法应用于蛋白质信号通路的简单模型，并在模拟和使用真实世界的蛋白质表达数据中测试其预测。我们证明，完美的适应可能会导致误导方向的因果发现算法的输出边缘。
2023-02-23 cs.AI stat.ML
Transfer Learning for Performance Modeling of Configurable Systems: A Causal Analysis
University of South Carolina（南卡罗来纳大学）
现代系统（例如，深度神经网络、大数据分析和编译器）是高度可配置的，这意味着它们在不同的配置下暴露不同的性能行为。根本的挑战是，由于配置空间的庞大规模，人们无法简单地测量所有配置。迁移学习通过跨环境迁移有关系统性能行为的知识来减少测量工作。此前，研究表明，统计模型确实可以跨环境转移。在这项工作中，我们调查的因果关系和统计关系在高度可配置的系统的可识别性和可移植性。我们的因果分析与之前的探索性分析\cite{Jamshidi17}一致，并确认配置选项的因果影响可以在高置信度的环境中进行。我们期望，能够结转因果关系将使高配置系统的有效性能分析。
2019-02-26 cs.AI cs.LG
Causal Modeling
Rome Laboratory（罗马实验室）
因果模型就像依赖图和信念网一样，它们提供了一个结构和一组假设，原则上可以计算出联合分布。与依赖图不同，因果模型是分层和/或并行过程的模型，而不是模型构建者通过某种完形（gestalt）（部分）已知的分布模型。因此，因果模型比依赖图模型更模块化，更容易构建，更直观，更容易理解。本文给出了因果关系模型的形式化定义，并证明了依赖图模型是因果关系模型的一个特例。给出了支持推理的算法。简约的方法引出相关的概率。
2013-03-06 cs.AI
Causal Modeling With Infinitely Many Variables
Cornell University（康奈尔大学）
结构方程模型（SEM）可能是最常用的因果关系建模框架。然而，正如我们所展示的，天真地将这个框架扩展到无限多个变量，这是必要的，例如，对动力系统建模，遇到了几个问题。我们引入了广义随机场模型（GSEMs），它是随机场模型的一种灵活的推广，直接指定了干预的结果，其中（1）微分方程系统可以以自然和直观的方式表示，（2）某些自然情况，根本不能用随机场模型表示，可以很容易地表示，（3）随机场模型中实际因果关系的定义基本上没有变化。
2021-12-16 cs.AI cs.LO
Causal Simulations for Uplift Modeling
Vrije Universiteit Brussel（布鲁塞尔自由大学）；Data Analytics Laboratory（数据分析实验室）
可持续性建模需要实验数据，最好是以随机方式收集的。这对任何渴望这种模式的组织都造成了后勤和财政负担。一旦部署，隆起模型会受到概念漂移的影响。因此，正在开发能够从新获得的经验中学习以及处理漂移环境的方法。由于这些新方法试图消除对实验数据的需要，因此必须制定另一种方法来测试这些方法。因此，我们提出了一种方法来模拟环境，在其参数中提供因果关系。
2019-02-01 cs.AI
Modeling AGI Safety Frameworks with Causal Influence Diagrams
DeepMind（深度思维）
安全AGI系统的建议通常是在框架级别提出的，具体说明拟议系统的组件应如何进行训练和相互作用。在本文中，我们建模和比较最有前途的AGI安全框架，使用因果影响图。图表显示了框架的优化目标和因果假设。统一的表示允许容易的比较框架和它们的假设。我们希望这些图表将作为主要AGI安全框架的可访问和可视化介绍。
2019-06-20 cs.AI
Relation-First Modeling Paradigm for Causal Representation Learning toward the Development of AGI
University of Minnesota（明尼苏达大学）
针对传统 i.i.d. 范式难以建模因果关系的问题，论文提出关系优先的因果建模范式，并给出 RIRL 实现，实验验证了其有效性。
2024-02-29 cs.AI
TimeMKG: Knowledge-Infused Causal Reasoning for Multivariate Time Series Modeling
本文提出TimeMKG框架，通过大语言模型与多变量知识图谱融合变量语义和时序统计信息，以跨模态注意力注入因果先验，从而提升多变量时间序列预测与分类的性能和泛化能力。
2025-08-15 cs.AI cs.LG
A Closer Look at the Application of Causal Inference in Graph Representation Learning
本文研究图表示学习中因果关系建模的挑战，提出基于图数据最小不可分单元的理论模型，确保因果有效性，并通过实验验证了因果建模增强模块的有效性。
2026-04-10 cs.AI cs.LG
Self-Evolving Cognitive Framework via Causal World Modeling for Embodied Scientific Intelligence
Graduate School of Advanced Science and Engineering, Hiroshima University（广岛大学先进科学与工程研究生院）；Advanced Intelligence and Robotics Research Center, Brain Science Institute, Tamagawa University（玉川大学脑科学研究所先进智能与机器人研究中心）
提出一种自进化认知框架，通过因果世界建模、干预驱动推理和持续认知精炼，使具身智能体在交互中不断构建和修正内部因果模型，实现从预测智能到认知智能的转变。
2026-06-23 cs.AI cs.RO
Causal Inference under Threshold Manipulation: Bayesian Mixture Modeling and Heterogeneous Treatment Effects
本文提出了一种贝叶斯混合建模方法，用于在阈值操纵下估计因果效应，并扩展至分层贝叶斯框架以估计异质性处理效应。
2026-01-16 cs.AI stat.ME
Abductive World Modeling via Causal Representation Learning
提出溯因世界建模框架，通过分层状态金字塔从预测未来中推断潜在因果，提升物理预测、因果推理和动作理解性能。
2026-09-30 cs.AI cs.LG
Causality on Longitudinal Data: Stable Specification Search in Constrained Structural Equation Modeling
Universitas Islam Indonesia（印度尼西亚伊斯兰大学）；Radboud University Nijmegen（拉德堡德大学奈梅亨分校）；Radboud University Medical Center（拉德堡德大学医学中心）；Academic Medical Center, University of Amsterdam（阿姆斯特丹大学学术医学中心）；Netherlands Institute for Health Services Research（荷兰卫生服务研究所）
因果建模中的一个典型问题是模型结构学习的不稳定性，即，有限数据中的微小变化可能导致完全不同的最佳模型。目前的工作介绍了一种新的因果建模算法的纵向数据，这是强大的有限样本的基础上，在稳定性选择的最新进展，使用子采样和选择算法。我们的方法使用探索性搜索，但允许合并先验知识，例如，两个特定变量之间没有特定的因果关系。我们使用结构方程模型来表示因果关系。模型是沿着两个目标评分：模型拟合和模型复杂性。由于这两个目标往往是相互冲突的，我们应用多目标进化算法搜索帕累托最优模型。为了处理小的有限数据样本的不稳定性，我们反复对数据进行子采样，并选择那些既稳定又简约的子结构（来自最佳模型）。这些子结构可以通过因果图可视化。我们更具探索性的方法至少实现了与已知地面事实的模拟数据集上的最先进的替代方法相当的性能，但通常是显着的改进。我们还提出了我们的方法的结果，在三个现实世界的纵向数据集慢性疲劳综合征，阿尔茨海默病，慢性肾脏疾病。用我们的方法获得的结果通常与早期研究中更多假设驱动的分析结果一致，并提出了一些值得进一步研究的新关系。
2017-04-04 cs.AI stat.ML
CausalMMM: Learning Causal Structure for Marketing Mix Modeling
Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）
针对传统营销组合建模依赖固定已知因果结构、难以适配异质性店铺的问题，提出融合格兰杰因果与变分推断、结合营销响应模式正则的CausalMMM，在合成数据因果发现和电商GMV预测上均有提升。
2024-06-24 cs.AI
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
C3-UniMM: Causal Cycle-Consistent Unified Multimodal Modeling via Super Alignment and Shared Decoding Space
Hunan University（湖南大学）；Tsinghua University（清华大学）
本文提出C3-UniMM框架，通过结构化隐式因果图（SLCG）与统一解码空间解决现有统一多模态模型的跨模态结构一致性问题，在多任务上性能优于现有基线。
2026-09-01 cs.AI
Causal Evidence of Stack Representations in Modeling Counter Languages Using Transformers
Birla Institute of Technology and Science, Pilani（比拉理工学院和科学学院，皮兰）
通过线性探针和消融实验，证明Transformer在计数器语言任务中学习的栈表示对其性能具有因果必要性。
2026-06-02 cs.AI cs.CL
A Bayesian Method for Causal Modeling and Discovery Under Selection
本文描述了一种贝叶斯方法，用于学习因果网络，使用从感兴趣的人群中以非随机方式选择的样本。通过非随机抽样获得的数据的例子包括便利样本和病例对照数据，其中收集了固定数量的有和没有某种条件的样本;这种数据并不罕见。本文描述了一种方法，用于结合数据的选择与先验信念，以获得一个模型的因果过程，产生的数据在人口的利益的后验概率。先验知识包括对非随机抽样程序性质的信念。虽然精确的应用程序的方法将是计算上棘手的最现实的数据集，有效的特殊情况和近似方法进行了讨论。最后，本文描述了如何将选择下的学习与以前的方法相结合，用于从感兴趣的人群的随机样本中获得的观察和实验数据中学习。最终结果是贝叶斯方法，支持因果建模和从不同类型数据的丰富混合中发现。
2013-01-16 cs.AI
A Structurally and Temporally Extended Bayesian Belief Network Model: Definitions, Properties, and Modeling Techniques
University of Pittsburgh（匹兹堡大学）
我们开发了可修改的时间信念网络（MTBN）语言作为贝叶斯信念网络（BN）的结构和时间扩展，以促进不确定性下的规范性时间和因果建模。在本文中，我们提出了模型的定义，它的组件，它的基本属性。我们还讨论了如何表示各种类型的时间知识，重点是混合时间显式时间建模，动态结构，避免因果时间不一致，并处理涉及同时行动（决策）和因果和非因果关联的模型。我们研究BN，可修改的信念网络，MTBN与一个单一的时间粒度之间的关系，并建议适用于他们每一个的应用领域。
2013-02-13 cs.AI
S-MARC: Causal Streaming Reasoning for Full-Duplex Conversational Behavior Modeling
University of California, Berkeley（加州大学伯克利分校）；Zhejiang University（浙江大学）；South China University of Technology（华南理工大学）
提出S-MARC框架，通过流式因果层次建模意图到动作路径，预测高层交际功能和低层交互行为，并构建高质量语料库，实现全双工对话中的鲁棒行为检测与可解释推理。
2026-05-28 cs.AI cs.CL
Modeling Discrimination with Causal Abstraction
UC Berkeley（加州大学伯克利分校）；Princeton（普林斯顿大学）；Caltech（加州理工学院）；Stanford（斯坦福大学）
本文提出一种因果抽象框架，将种族视为低层社会特征的高层抽象，通过明确陈述社会建构假设来保证模块性，从而在保留精确因果解释的同时厘清歧视建模中的理论分歧。
2025-08-21 cs.AI cs.CY
Building Object-based Causal Programs for Human-like Generalization
University of Edinburgh（爱丁堡大学）
我们提出了一个新的任务，衡量人们如何概括对象的因果关系的权力的基础上观察一个单一的（实验1）或几个（实验2）对象对之间的因果关系。我们提出了一个计算建模框架，可以在我们的任务设置中合成类似人类的泛化模式，并揭示了人们如何有效地导航可能的因果函数和类别的组成空间。我们的建模框架结合了一个因果函数生成器，利用代理和收件人对象的功能和关系，和贝叶斯非参数推理过程来管理基于相似性的泛化程度。我们的模型有一个自然的“资源理性”的变体，在描述参与者，特别是再现概括顺序的效果和因果关系的不对称性，在我们的行为实验中观察到的朴素贝叶斯帐户优于。我们认为，这种建模框架提供了一个计算上合理的机制，现实世界的因果泛化。
2021-11-20 cs.AI cs.OH
Modeling Unseen Environments with Language-guided Composable Causal Components in Reinforcement Learning
University of California San Diego（加州大学圣地亚哥分校）
本文提出语言引导的WM3C框架，通过可组合因果组件建模环境动态并解耦潜在转移，在模拟与机器人操作任务中显著提升RL对未见环境的泛化能力。
2025-05-13 cs.AI
Causal Modeling with Probabilistic Simulation Models
Stanford University（斯坦福大学）
最近的作者提出了分析条件推理通过干预的概念在模拟程序，并发现了一个健全的和完整的公理化的逻辑条件在这种情况下。在这里，我们将此设置扩展到概率仿真模型的情况。我们给出了一个自然的定义的概率公式的条件语言，允许表达的反事实，并证明了这个定义的基本结果。我们还发现了一个公理化推理的线性不等式涉及概率在这种情况下。我们证明了这个逻辑的可满足性问题的可靠性，完备性和NP-完备性。
2018-07-30 cs.AI cs.LO
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
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
Implicit Affordance Acquisition via Causal Action-Effect Modeling in the Video Domain
University of Stuttgart（斯图加特大学）
该研究为从视觉域获取可供性常识知识，构建CAE数据集并提出MAM、MEM两项预训练任务，经实验验证方法有效，且预训练模型在零样本物理推理任务上优于FLAVA等基线模型。
2023-12-18 cs.AI cs.CL
Toward A Causal Framework for Modeling Perception
本文提出基于结构因果模型的感知因果建模框架，将专家经验形式化为因果知识，并区分两类概率因果感知，以服务人机协同决策与公平机器学习。
2025-08-06 cs.AI cs.CY cs.HC
Latent Causal Modeling for 3D Brain MRI Counterfactuals
Stanford University（斯坦福大学）；Weill Cornell Medicine（韦尔·科恩医学中心）；Imperial College London（伦敦帝国理工学院）
本文提出一种两阶段方法，在潜在空间中构建结构因果模型，利用VQ-VAE学习MRI体积的紧凑嵌入，并通过闭式广义线性模型生成高质量3D脑MRI反事实。
2026-03-19 cs.AI cs.CV
