@eliasbareinboim: 期待在首尔的#ICML上与大家重聚并结识新同事。在我们多篇论文中…

X AI KOLs Timeline 论文
causal-ai icml world-models reinforcement-learning counterfactual-reasoning game-theory ai-research

摘要

Elias Bareinboim 宣布他团队的多个 ICML 2025 论文关于因果 AI，涵盖关系世界模型、鲁棒离线强化学习、反事实识别和因果博弈论，强调 AI 推理中因果知识的必要性。

期待在首尔的 #ICML 上与大家重聚并结识新同事。 在我们今年的多篇论文中，我们反复探讨一个问题：AI系统需要什么样的因果知识才能超越直接观察到的数据进行推理，包括关于替代世界和反事实世界的推理？ 我们团队将展示关于这个问题的多项工作，涵盖关系世界模型、鲁棒强化学习、反事实识别和因果博弈论。 ICML 论文 • Relational Structural Causal Models 合作者：@adiba_ejaz https://causalai.net/r140.pdf 7月8日星期三，韩国标准时间下午5:00-6:45，A厅，海报 #4207 因果和统计模型如何泛化到交互对象的新组合？这项工作研究关系场景下的因果世界模型，其中对象和交互可能在测试时以新配置出现。 • Causal Flow Q-Learning for Robust Offline Reinforcement Learning 合作者：@Mingxuan0422 和 @JunzheZhang12 https://causalai.net/r141.pdf 7月8日星期三，韩国标准时间下午1:30-3:15，A厅 这项工作开发了一种因果方法用于鲁棒离线强化学习，解决了高维演示中未观测混杂的挑战。 • Causal Identification from Counterfactual Data: Completeness and Bounding Results 合作者：Arvind Raghavan https://causalai.net/r144.pdf 7月7日星期二，韩国标准时间上午10:30-12:15，A厅，海报 #3403 这项工作研究了当反事实数据可用时什么变得可识别，开发了从第三层分布进行识别的完备性结果，以及不可识别反事实量的边界结果。 研讨会 • A Causal Approach to Game Theory 合作者：Aurghya Maiti 和 Prateek Jain https://causalai.net/r125.pdf NExT-Game Workshop @ ICML 2026 这项工作探讨了因果和反事实推理如何重塑博弈论学习和战略决策。 • Towards Causal Artificial Intelligence LLM时代规划研讨会 (LM4Plan) 7月11日星期六，大宴会厅101-102 如果你在ICML并且对因果、世界模型、强化学习、规划或战略推理感兴趣，请给我留言。我很乐意交流。 首尔见！ Elias
查看原文
查看缓存全文

缓存时间: 2026/07/07 11:28

期待与许多老朋友在首尔#ICML重聚，并结识新同事。在今年的几篇论文中，我们反复追问一个问题：AI系统需要什么样的因果知识，才能推理超出直接观测数据之外的信息，包括关于替代世界和反事实世界的内容？我们团队将围绕多个维度展示相关工作，涵盖关系型世界模型、稳健强化学习、反事实识别以及因果博弈论。

ICML 论文
• 关系型结构因果模型，与 @adiba_ejaz 合作：https://causalai.net/r140.pdf
7月8日周三，韩国标准时间下午5:00-6:45，A厅，海报 #4207
因果模型和统计模型如何泛化至交互对象的新组合？本文研究了关系场景下的因果世界模型，其中对象及其交互可能在测试时以新配置出现。

• 用于稳健离线强化学习的因果流Q学习，与 @Mingxuan0422 和 @JunzheZhang12 合作：https://causalai.net/r141.pdf
7月8日周三，韩国标准时间下午1:30-3:15，A厅
本文开发了一种因果方法来实现稳健离线强化学习，应对高维演示数据中未观测混杂因素的挑战。

• 反事实数据中的因果识别：完备性与边界结果，与 Arvind Raghavan 合作：https://causalai.net/r144.pdf
7月7日周二，韩国标准时间上午10:30-12:15，A厅，海报 #3403
本文研究当反事实数据可用时，哪些量变得可识别，给出了第三层分布下识别的完备性结果，以及不可识别反事实量的边界结果。

研讨会
• 因果方法在博弈论中的应用，与 Aurghya Maiti 和 Prateek Jain 合作：https://causalai.net/r125.pdf
ICML 2026 NExT-Game 研讨会
本文探索因果与反事实推理如何重塑博弈论学习和战略决策。

• 迈向因果人工智能 —— 大语言模型时代的规划研讨会（LM4Plan）
7月11日周六，Grand Ballroom 101-102
如果您在 ICML 并对因果性、世界模型、强化学习、规划或战略推理感兴趣，欢迎给我留言。很高兴与您交流。首尔见！

Elias

来源：https://causalai.net/r140.pdf

相似文章

因果强化学习导论

arXiv cs.AI

本文介绍了因果强化学习（CRL），在结构因果模型框架下统一了因果推断和强化学习，并探讨了诸如广义策略学习和反事实学习等新颖的学习设置。