标签
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。