Causally-Guided Diffusion for Stable Feature Selection
Arizona State University（亚利桑那州立大学）；Clemson University（克雷默斯大学）；Stevens Institute of Technology（史蒂文斯理工学院）
本文提出CGDFS方法，通过因果引导扩散模型实现稳定特征选择，提升模型在分布变化下的鲁棒性与泛化能力。
2026-03-21 cs.AI cs.IT cs.LG
Cross-Domain Graph Anomaly Detection via Test-Time Training with Homophily-Guided Self-Supervision
Rice University（里士大学）
针对跨图域GAD中的分布偏移、异构特征与异常标签稀缺问题，提出GADT3测试时训练框架，通过同质性引导自监督及四项创新实现域适应，并显著提升AUROC与AUPRC。
2025-10-19 cs.AI cs.LG cs.SI
Uncertainty-Resilient Multimodal Learning via Consistency-Guided Cross-Modal Transfer
Brain and Cognitive Engineering（脑科学与认知工程）
本论文提出通过一致性引导的跨模态转移实现不确定性鲁棒的多模态学习，旨在提高模型的稳定性和鲁棒性。
2025-11-18 cs.AI cs.HC cs.LG
Causal Representation Learning Made Identifiable by Grouping of Observational Variables
RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）；Department of Computer Science, University of Helsinki（赫尔辛基大学计算机科学系）
本文提出一种仅依赖观测变量分组这一弱约束的因果表示学习可辨识性方法，无需时间结构、干预或弱监督，并设计了自监督估计框架，在实验中优于现有基线且对混杂因素和因果循环具有鲁棒性。
2024-06-07 cs.LG stat.ML
CausalGDP: Causality-Guided Diffusion Policies for Reinforcement Learning
Department of Mechanical & Industrial Engineering, Northeastern University, Boston, MA, USA（机械与工业工程系，东北大学，波士顿，马萨诸塞州，美国）；Department of Civil and Environmental Engineering, Northeastern University, Boston, MA, USA（土木与环境工程系，东北大学，波士顿，马萨诸塞州，美国）
CausalGDP通过整合因果推理，提升基于扩散的强化学习策略在复杂高维控制任务中的性能。
2026-02-09 cs.AI cs.LG
CausalOPD: First-Wrong-Step Supervision for Distilling Causal Chain Reasoning
CausalOPD 是一种课程在线过程提炼框架，通过识别首错误步并结合短视界强化学习，提升了学生模型的因果链推理能力，在三个领域中表现优于序列级提炼及专有参考模型。
2026-08-05 cs.LG
Recovering Reliable Supervision via Critique-Guided On-Policy Distillation
Brigham Young University（杨百翰大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
该研究针对同策略蒸馏（OPD）在错误 rollout 上可恢复性失效的问题，提出 CriticOPD 方法，通过教师评论引导学生修订，在 Qwen3 模型及六个数学推理基准上提升了 OPD 性能，竞赛题提升最显著。
2026-10-14 cs.AI cs.LG
CAFE: Causally-Guided Automated Feature Engineering with Multi-Agent Reinforcement Learning
CAFE通过因果引导的多智能体强化学习提升自动化特征工程的鲁棒性和效率。
2026-10-27 cs.AI cs.LG cs.MA
Causal Fairness-Guided Dataset Reweighting using Neural Networks
SCHUFA Holding AG（舒法控股公司）；University of Pisa（比萨大学）；Technical University of Munich（慕尼黑工业大学）
本文提出一种基于两个神经网络结构反映因果图与干预图的数据集重加权方法，通过判别器引导实现因果公平性，并在真实数据上验证其有效性与数据保真度。
2023-11-17 cs.LG
Causal Knowledge Guided Societal Event Forecasting
Stevens Institute of Technology（史蒂文斯理工学院）；George Mason University（乔治梅森大学）
数据驱动的社会事件预测方法利用相关历史信息来预测未来事件。这些方法依赖于历史标记数据，当数据有限或质量差时，无法准确预测事件。研究事件之间的因果效应超越了相关性分析，可以有助于更可靠地预测事件。然而，由于以下几个因素，将因果关系分析纳入数据驱动的事件预测具有挑战性：（i）事件发生在复杂和动态的社会环境中。许多未观察到的变量，即，隐藏的混杂因素，影响潜在的原因和结果。(ii)给定时空非独立同分布（非IID）数据，为精确的因果效应估计建模隐藏的混杂因素并不简单。在这项工作中，我们引入了一个深度学习框架，将因果效应估计集成到事件预测中。本文首先研究了具有时空属性的观测事件数据的个体治疗效应（ITE）估计问题，提出了一种新的因果推理模型来估计ITE。然后，我们将学习到的事件相关的因果信息作为先验知识纳入事件预测。两个强大的学习模块，包括一个功能重新加权模块和近似约束损失，引入先验知识注入。我们在真实世界的事件数据集上评估了所提出的因果推理模型，并通过将学习到的因果信息馈送到不同的深度学习方法中来验证所提出的鲁棒学习模块在事件预测中的有效性。实验结果表明，建议的因果推理模型ITE估计在社会事件的优势，并展示了强大的学习模块在社会事件预测的有益特性。
2021-12-10 cs.AI cs.LG
Guided Distant Supervision for Multilingual Relation Extraction Data: Adapting to a New Language
University of Luxembourg（卢森堡大学）；Aston University（阿斯顿大学）
本文应用引导式远程监督方法构建了最大的德语传记关系抽取数据集，并训练和评估了多种最先进模型，同时通过多语言和跨语言实验探索了对低资源语言的益处。
2024-03-27 cs.CL cs.LG
Dynamic Expert-Guided Model Averaging for Causal Discovery
Ghent University - imec（根特大学 - imec）
本文提出一种动态专家指导的模型平均方法，整合选择性专家查询以集成多种因果发现算法，区分边存在与方向，提升数据驱动与专家输入的互补优势。
2026-05-07 cs.AI cs.LG
Human Supervision as an Information Bottleneck: A Unified Theory of Error Floors in Human-Guided Learning
Miralta Finance Bank S.A.（Miralta 金融银行）；University of Reading（阅读大学）
本文提出人类监督作为信息瓶颈的统一理论，揭示了人类引导学习中误差地板的结构性质，并通过实验验证了辅助信号对消除地板的作用。
2026-02-26 cs.AI cs.LG
Learning End-to-end Autonomous Driving using Guided Auxiliary Supervision
Intel Corporation（英特尔公司）
在高度随机的城市环境中学习忠实驾驶仍然是一个悬而未决的问题。为此，我们提出了一个多任务示教学习（MT-LfD）框架，它使用监督辅助任务预测来指导预测驾驶命令的主要任务。我们的框架包括一个端到端的可训练网络，用于模仿专家演示者的驾驶命令。网络通过直接监督间接预测视觉启示和动作原语，提供上述辅助监督指导。我们证明了这种联合学习和监督指导有利于分层任务分解，帮助代理更快地学习，实现更好的驾驶性能，并增加了其他黑盒子端到端网络的透明度。我们运行我们的实验，以验证MT-LfD框架在CARLA，一个开源的城市驾驶模拟器。我们在CARLA中引入多个非玩家代理，并在其中引入时间噪声以实现真实的随机性。
2018-08-30 cs.AI cs.CV cs.LG
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting
The University of Melbourne（墨尔本大学）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Peking University（北京大学）；Adelaide University（阿德莱德大学）；Hong Kong Baptist University（香港浸会大学）；The University of Sydney（悉尼大学）；Carnegie Mellon University（卡内基梅隆大学）
提出因果集成智能体（CEA）框架，通过线性意见池聚合不同层次的统计因果发现结果，并利用大语言模型（LLM）作为元裁判在决策边界附近动态重加权专家，从而构建更准确完整的因果图。
2026-06-09 cs.AI cs.CL cs.LG
SPARE: Single-Pass Annotation with Reference-Guided Evaluation for Automatic Process Supervision and Reward Modelling
SPARE通过单次生成与参考引导评估，实现高效过程标注，提升LLM多步推理中的奖励建模与微调效果。
2026-03-02 cs.AI cs.CL cs.LG
CleverCatch: A Knowledge-Guided Weak Supervision Model for Fraud Detection
School of Computing Science Simon Fraser University Burnaby, Canada（计算科学学院西蒙弗雷泽大学加拿大本部）；Department of Computer Science Brock University Ontario, Canada（计算机科学系布罗克大学安大略省本部）
CleverCatch通过整合领域知识和弱监督学习，提高医疗欺诈检测的准确性和可解释性。
2026-02-22 cs.AI cs.LG
Boosting Meta-Learning for Few-Shot Text Classification via Label-guided Distance Scaling
Dalian University of Technology（大连理工大学）
本文提出标签引导的距离缩放策略，通过利用标签语义提升少样本文本分类的性能，实验表明其优于现有方法。
2026-02-28 cs.AI cs.LG
Uncovering Bias Paths with LLM-guided Causal Discovery: An Active Learning and Dynamic Scoring Approach
本文提出一种结合LLM引导的主动学习和动态评分方法，用于在存在噪声和混杂因素时发现公平性相关的因果路径。
2026-01-07 cs.AI cs.LG stat.ML
Air Quality Downscaling with Station-Guided Pseudo-Supervision
Imperial College London（伦敦帝国理工学院）；The Cyprus Institute（塞浦路斯研究所）；Northeastern University London（伦敦东北大学）；University of Cyprus（塞浦路斯大学）
针对粗粒度大气场超分PM₂.₅的空间支持失配问题，该研究结合多源侧信息，提出站点引导框架实现高分辨率PM₂.₅降尺度与偏差校正，有效还原细粒度空间结构。
2026-07-07 cs.AI cs.CV cs.LG
Causally-guided Regularization of Graph Attention Improves Generalizability
MIT（麻省理工学院）；Twitter Cortex（推特Cortex）；Twitter（推特）
图注意力网络估计节点邻居的关系重要性，以聚合局部邻域的相关信息用于预测任务。然而，推断的注意力容易受到训练数据中的虚假相关性和连通性的影响，从而阻碍了模型的推广。我们介绍CAR，这是一个用于图注意力网络的通用正则化框架。CAR体现了一种因果推理方法，以可扩展的方式将注意力机制与主动干预对图连接性的因果影响对齐。CAR与各种图形注意力架构兼容，我们表明它系统地提高了各种节点分类任务的泛化能力。我们的消融研究表明，CAR在与预测最相关的图结构方面进行了磨练（例如，同质性），并且比替代方法更有效。最后，我们还表明，CAR通过强调指向因果假设的节点-邻居关系来增强注意力权重的可解释性。对于社交媒体网络大小的图，CAR引导的图重新布线方法可以使我们将图卷积方法的可扩展性与更高的图注意力性能相结合。
2023-03-01 cs.LG
Synergy-Guided Regional Supervision of Pseudo Labels for Semi-Supervised Medical Image Segmentation
Fuzhou University（福州大学）；Macao Polytechnic University（澳门理工大学）
针对半监督医学图像分割中伪标签的噪声污染问题，提出SGRS-Net框架，基于mean teacher网络结合Mix Augmentation模块和Region Loss Evaluation模块对伪标签进行区域划分与损失评估，在LA数据集上取得优于SOTA的性能。
2024-11-13 cs.CV cs.LG
Knowledge-Guided Time-Varying Causal Inference for Arctic Sea Ice Dynamics
University of Maryland, Baltimore County（马里兰大学巴尔的摩分校）
本文提出KGCM-VAE模型，通过物理关系生成时变连续处理，结合MMD平衡潜在空间分布，提升SSH对海冰厚度的影响估计，实验证明其在预测海冰厚度响应和物理参数敏感性分析中的优越性。
2026-07-24 cs.AI cs.LG
Causal-DFQ: Causality Guided Data-free Network Quantization
Illinois Institute of Technology（伊利诺伊理工学院）；Cisco Research（思科研究院）
针对无数据网络量化缺乏训练数据的问题，本文构建因果图并提出 Causal-DFQ，通过内容—风格解耦生成与干预分布对齐实现量化，实验验证了其有效性。
2023-09-24 cs.CV cs.LG
ChainReaction: Causal Chain-Guided Reasoning for Modular and Explainable Causal-Why Video Question Answering
Institute of High Performance Computing, Agency for Science, Technology and Research, Singapore（新加坡高性能计算研究所，科技研究局）；Centre for Frontier AI Research, Agency for Science, Technology and Research, Singapore（科技研究局前沿人工智能研究中心，新加坡）；College of Computing and Data Science, Nanyang Technological University, Singapore（新加坡南洋理工大学计算与数据科学学院）
针对现有因果关系视频问答模型的问题，提出新的模块化范式，将因果推理与答案生成解耦，引入自然语言因果链，介绍两阶段架构及生成因果链方法，新指标，实验证明该方法性能优越。
2026-07-07 cs.AI cs.CL cs.CV
Policy-Guided Causal State Representation for Offline Reinforcement Learning Recommendation
The University of New South Wales（新南威尔士大学）；Data 61, CSIRO（联邦科学与工业研究组织数据61部门）
本文提出PGCR两阶段框架，通过因果特征选择策略和状态表示学习，在离线强化学习推荐中隔离因果相关成分，显著提升推荐性能。
2025-02-04 cs.IR cs.LG
Multi-Instance Causal Representation Learning for Instance Label Prediction and Out-of-Distribution Generalization
Nanjing University（南京大学）；Southeast University（东南大学）
多实例学习（MIL）处理表示为实例袋的对象，并可以从袋级监督中预测实例标签。然而，显着的性能差距之间存在的实例级MIL算法和监督学习者，因为实例标签是不可用的MIL。大多数现有的MIL算法解决这个问题，处理多实例袋有害的歧义和预测实例标签，通过减少监督不准确。本文从一个新的角度研究MIL，将袋子作为辅助信息，并利用它从袋子级弱监督中识别实例级因果表示。我们提出了CauseMIL算法，它不仅擅长于实例标签预测，但也提供了鲁棒性的分布变化，协同集成MIL与可识别的变分自编码器。我们的方法是基于一个实际的和一般的假设：先验分布的实例潜在的表示属于非因式分解的指数族条件的多实例袋。在合成数据集和真实数据集上的实验表明，我们的方法在实例标签预测和分布外泛化任务上的性能明显优于各种基线。
2022-10-05 cs.LG
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
Guided Self-Evolving LLMs with Minimal Human Supervision
Tencent AI Lab in Seattle（西雅图腾讯AI实验室）；Washington University in St. Louis（斯托克维尔华盛顿大学）
R-Few通过引入轻量级人类监督，实现稳定可控的自演化大语言模型，提升数学推理性能并减少对大量人类数据的依赖。
2025-12-02 cs.AI cs.CL cs.LG
CGRL: Causal-Guided Representation Learning for Node-Level Out-of-Distribution Generalization
School of Artificial Intelligence, Anhui University, Hefei, China（人工智能学院，安徽大学，合肥，中国）
本文提出CGRL方法，通过因果引导学习提升图数据在分布外情况下的泛化能力，结合因果表示学习和损失替换策略，有效缓解互信息学习不稳定问题。
2026-08-13 cs.LG stat.ML
Teacher-Student Gaps Are Not Enough: Outcome-Guided On-Policy Distillation for Multi-Turn Autonomous Agents
Qwen Large Model Application Team, Alibaba（阿里巴巴通义千问大模型应用团队）；Peking University（北京大学）；University of Chinese Academy of Sciences（中国科学院大学）；Shanghai Jiao Tong University（上海交通大学）
针对多轮自主智能体，提出结果引导在线蒸馏（OG-OPD），利用最终任务结果校准监督权重，解决师生差距与收益不匹配问题，在多个基准上显著提升任务成功率。
2026-09-29 cs.AI cs.LG
TGRL: An Algorithm for Teacher Guided Reinforcement Learning
Massachusetts Institute of Technology（麻省理工学院）；Technion - Israel Institute of Technology（以色列理工学院）
TGRL通过比较有无教师监督的反事实表现，动态自动平衡教师引导与奖励学习，在无需超参数调优的情况下在多个领域优于强基线。
2024-02-20 cs.LG
CAMO: Causality-Guided Adversarial Multimodal Domain Generalization for Crisis Classification
Arizona State University（亚利桑那州立大学）；DEVCOM Army Research Laboratory（陆军研究实验室）
CAMO通过结合对抗去耦与统一表示学习，解决多模态危机分类中的领域泛化问题，提升模型在未见灾害场景下的性能。
2025-12-08 cs.LG
Towards Generalizable Reinforcement Learning via Causality-Guided Self-Adaptive Representations
Shanghai Jiao Tong University（上海交通大学）；University of California San Diego（加利福尼亚大学圣迭戈分校）；Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出因果引导的自适应表示方法CSR，通过因果表示学习揭示变量结构关系，使智能体能自主判断并定位环境变化，仅需少量样本即可高效适应新任务并优于现有基线。
2025-03-06 cs.LG
Few-Shot Segmentation Propagation with Guided Networks
UC Berkeley（加州大学伯克利分校）
基于学习的视觉分割方法在特定类型的分割任务上取得了进展，但受到必要的监督，固定任务的狭窄定义以及在推理过程中缺乏控制以纠正错误的限制。为了弥补标准方法的刚性和注释负担，我们解决了Few-Shot分割的问题：给定很少的图像和很少的像素监督，相应地分割任何图像。我们提出了引导网络，它从任何数量的监督中提取潜在的任务表示，并优化我们的架构端到端，以实现快速，准确的Few-Shot分割。我们的方法可以在没有进一步优化的情况下切换任务，并在获得更多指导时快速更新。我们报告的第一个结果，从一个像素每个概念的分割，并显示实时交互式视频分割。我们的统一方法传播像素注释跨空间的交互式分割，跨时间的视频分割，跨场景的语义分割。我们的引导分割器在注释量和时间方面的准确性是最先进的。请访问http://github.com/shelhamer/revolver获取代码、模型和更多详细信息。
2018-05-25 cs.CV cs.LG stat.ML
PEACE: Cross-Platform Hate Speech Detection- A Causality-guided Framework
Arizona State University（亚利桑那州立大学）；Stanford University（斯坦福大学）；Amazon Alexa AI（亚马逊Alexa人工智能部门）
针对跨平台仇恨言论检测中源平台模型偏差、目标平台缺标注数据的问题，提出因果引导框架PEACE，利用文本情感与攻击性两类因果线索学习可泛化表征，经多平台实验验证其跨平台泛化有效性。
2023-10-08 cs.CL cs.LG
Towards LLM-guided Causal Explainability for Black-box Text Classifiers
Arizona State University（亚利桑那州立大学）
针对NLP黑盒文本分类器因果可解释性实现难的问题，本研究提出利用LLM的指令遵循与文本理解能力，通过三步流水线生成反事实解释，实验验证了该方法的可行性与前景。
2024-01-29 cs.AI cs.CL cs.LG
Fundamental Computational Limits in Pursuing Invariant Causal Prediction and Invariance-Guided Regularization
Princeton University（普林斯顿大学）；Peking University（北京大学）；Rutgers University（罗格斯大学）
本文证明异质环境下不变因果预测的判定问题是NP-hard的，导致计算高效算法的估计误差率任意缓慢；并在附加条件下提出一种兼具计算与统计高效性的分布鲁棒估计方法。
2025-01-29 cs.LG math.ST stat.ME
Physics-Guided Dual Decoding and Spectral Supervision for Global 3D Hydrometeor Prediction
Chinese Academy of Meteorological Sciences（中国气象科学研究院）；Xiong’an Institute of Meteorological Artificial Intelligence（雄安气象人工智能研究院）
针对三维水凝物预测中零膨胀长尾分布导致的过度平滑问题，提出物理引导的双解码框架PredHydro-Net，通过解耦架构、小波频率解耦和对抗训练，在极端事件检测和光谱表示上优于现有模型。
2026-06-07 cs.LG physics.ao-ph
Causally-Guided Pairwise Transformer -- Towards Foundational Digital Twins in Process Industry
Software Competence Center Hagenberg（海根贝格软件竞争力中心）
本文提出因果引导的成对Transformer（CGPT），通过将多维数据分解为变量对并结合因果图归纳偏置，在配对层面保留通道依赖建模、在配对之间实现通道独立泛化，从而在工业时序预测中兼顾精度与任意变量适应性。
2025-09-22 cs.LG
Breaking with Fixed Set Pathology Recognition through Report-Guided Contrastive Training
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；University Medicine Essen（埃森大学医学院）
当读取图像时，放射科医师生成描述其中的发现的文本报告。当前最先进的计算机辅助诊断工具利用从这些医疗报告中自动提取的一组固定的预定义类别进行训练。这种形式的监督限制了模型的潜在使用，因为它们无法发现预定义集合之外的异常，因此，当面对新的类时，有必要使用额外的数据重新训练分类器。相比之下，我们研究直接文本监督，以摆脱这种封闭的假设。通过这样做，我们避免了噪声标签提取通过文本分类器，并纳入更多的上下文信息。我们采用了对比全局-局部双编码器架构，直接从非结构化医疗报告中学习概念，同时保持其执行自由形式分类的能力。我们研究了放射学数据的开集识别的相关属性，并提出了一种方法，采用目前弱注释的数据进行训练。我们在大型胸部X射线数据集MIMIC-CXR，CheXpert和ChestX-Ray 14上评估了我们的方法用于疾病分类。我们表明，尽管使用非结构化的医疗报告监督，我们通过一个复杂的推理设置与直接的标签监督。
2022-05-14 cs.CV cs.LG
Specificity- and Calibration-Aware Breast Ultrasound Segmentation via Entropy-Guided Boundary Supervision
Department of Computer Science East Texas A\&M University Commerce, USA；Texas Woman's University Denton, USA
针对乳腺超声中病变边界泄漏和无病变区域假阳性问题，提出熵引导边界损失函数，在U-Net框架下提升特异性与概率可靠性。
2026-06-23 cs.CV cs.LG eess.IV
Teacher-Guided Tool Learning for Small Language Models via Bidirectional KL Constraints
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）；Security Capability Center（360安全能力中心）；Nanjing University（南京大学）；Tongji University（同济大学）；Shanghai Jiao Tong University（上海交通大学）
针对小型语言模型工具学习的挑战，提出SeTPO方法，结合双向KL约束，在BFCL v4和API Bank数据集上实现优于基线的性能。
2026-10-14 cs.CL cs.LG
