标签
本文提出了一种用于条件因果发现的贝叶斯方法，其中因果图和参数的后验以用户指定的因果效应约束（例如，较大的因果效应）为条件。他们采用稀有事件估计技术来处理后验质量较小的事件，并在合成数据和Sachs蛋白质数据集上验证了该方法。
介绍了对抗性因果干预证伪（ACIF），这是一个顺序博弈，其中结构因果生成器提出观测分布和干预分布，而对抗性实验者选择干预以最大程度地证伪该生成器。论文提供了理论保证，包括有限样本收敛和模型选择，架起了因果生成建模、主动发现和实验设计之间的桥梁。
本文介绍了 GoT-CD，一种用于因果发现的 Graph-of-Thoughts 方法，它生成有效的 DAG，并表明尽管在结构上与 LLM 基线相当，但仅凭结构保真度并不能保证公平性忠实的路径特定审计，从而凸显了事后路径特定公平性审计的脆弱性。
AutoCause是一个开源Python框架，可在环境时间序列因果发现中自动化专家决策，封装多种因果发现方法，并提供可审计、可重复的分析。该框架在来自合成和真实世界基准的145个数据集上进行了评估。
本文提出了一种利用倒置自注意力机制进行多元时间序列因果发现的新框架，引入了因果自注意力模块（CSAM）和全局因果算法，以识别潜在因果联系并减少虚假相关。
本文提出了一种用于学习图马尔可夫毯的忠实性假设的k阶松弛，并引入了一个概念验证算法（kOMB），即使在忠实性违反情况下（如奇偶类型关系），也能恢复马尔可夫毯。
CEDAR提出了一种基于约束的方法，用于稀疏自回归时间序列中的滞后因果边发现，该方法使用AR(1)残差化的距离相关和定向条件独立性检验，在筛选后通过O(d²)次检验实现了高效的边级别可解释性。
本文利用OpenRCA基准研究了真实遥测数据上的根因分析，表明现有的经典方法和基于LLM的方法均失败，并提出了一种结构化多智能体RCA流水线，其性能大幅优于现有方法。进一步通过逆向推理揭示，主要瓶颈在于推理能力而非数据访问，并引入了自动化规则挖掘以减少对人工领域知识的依赖。
本文介绍了DKCD，这是一个通过整合领域知识图谱与基于LLM的推理来增强高专业领域（如医疗、金融、教育）中从非结构化数据进行因果发现的框架，旨在识别潜在因果因素并提高标注准确性。
提出了一种有限样本方法，利用高阶累积量恢复含潜在混杂变量的线性非高斯无环模型中的最稀疏DAG，且不限制潜在变量的数量。
NEO是一种新型世界模型，它能够从原始观察中自行发现可重用的解释构建块，无需监督或语言，被选为ICML 2026的口头报告。
提出GRACE方法，该方法结合基于约束的骨架与使用L0正则化的门控精化，用于高效准确的高维时间序列因果边发现。在F1分数和速度上优于现有方法，并在合成和现实河流流量数据上进行了验证。
本文认为，语言模型代理应通过提供上下文支持和解释来辅助因果发现工作流程，而非生成因果结论，并介绍了causal-learn+平台以演示这一原则。
本文提出了一种可解释的因果发现引导框架，用于从多模态多导睡眠图数据中推导睡眠恢复评分（SRS），证明其与感知恢复的一致性比传统的呼吸暂停-低通气指数（AHI）强高达2.5倍，在互联健康中具有潜在应用。
FoundCause 是一种摊销式因果关系发现模型，能够显式处理潜在混杂因素和缺失数据，在真实数据集上通过单次前向传播即可超越15种现有方法。
本文提出了LMT，一种贝叶斯因果发现框架，它结合了从文本告警记录中由LLM提取的语义信号和基于时间戳的统计证据，以推断制造系统中的因果图。
本文评估了马尔可夫边界在表格预测中的实际效果，发现尽管理论上最优，但由于计算限制和优化目标不匹配，当前的因果发现方法无法持续提升预测性能。
CausaLab 是一个可扩展的环境，用于评估LLM智能体在交互式因果发现中的表现，同时衡量预测准确性和对潜在因果机制的忠实复现。实验揭示了预测与机制复现之间的差距，突显了当前LLM智能体作为实验性因果推理者的局限性。
本文认为非线性因果发现中的标量边分数掩盖了状态依赖效应，并提出使用Neural Additive Vector Autoregression和Individual Conditional Expectation的函数值因果影响。