标签
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。
本文介绍了在存在潜在变量情况下进行因果发现的基于分数的方法，提供了一致性和分数等价性的理论保证，并统一了几种基于约束的方法。
PACER 是一个新的可扩展框架，用于从大规模干预数据中进行因果发现，其设计保证了无环性，在包含数千个变量的基准测试中，比基于惩罚的方法实现了高达两个数量级的加速。
本文介绍了PROMETHEUS框架，该框架利用大型语言模型从文本中提取局部因果主张，并将其组织成可导航的因果图谱，从而在多个领域实现深度因果研究。
本文介绍了TTCD，这是一种新颖的框架，利用基于Transformer的特征学习和重建引导的信号蒸馏，从非平稳时间序列数据中进行时序因果发现。