标签
论文提出 Heuresis，一个使用匿名模拟数据的因果发现基准，用于评估 LLM 智能体在数据驱动下进行细粒度、证据驱动的因果发现调整能力。结果显示 GPT-6.1 Sol 在全部六个数据族上超过最佳算法选择，最难族上邻接 F1 提升 14%。
提出了一个非参数混合框架 DECO，通过从观测数据中提取依赖性与方向性证据，在精确 DAG 结构学习之前剪除不受数据支持的父集配置，从而指数级缩小搜索空间，同时在基准贝叶斯网络与合成 DAG 上保持竞争力的结构恢复性能。
MaSCoD是一个多智能体框架，它在直接边判断前预组织结构假设，以提高候选图生成中潜在相关因果关系的保留率，使用GPT-5.4和GPT-4o在数据集上进行评估。
本文确立了在线性参数模型下，具有混合序数和指数族节点的因果有向无环图的可识别条件，证明了只要节点有足够的类别和支持点，边的方向就可以仅从联合分布中确定。
本文探讨了可废止先验在增强拉格朗日因果发现方法中失效的原因，识别出惩罚机制和目标函数的关键问题，并提出了一些效果有限的修复方案。
本文系统评估了12个经过指令微调的开源权重大型语言模型在基准测试中的表现，以评估其在分类直接因果边方面的可靠性。研究发现，这些模型具有召回率主导的特点，常常过度自信，并且跨提示/模型一致性比语言化置信度能更好地改善校准。
本文介绍了一种神经符号框架，该框架利用大型语言模型作为自适应提案分布来生成因果假设，以对不良妊娠结局进行建模，通过结合先验知识与实证数据评分来改进因果发现。
本文介绍SURE-Ridge，一种用于等方差线性高斯SEMs因果发现的非迭代、闭合形式方法，在小样本和计算受限的条件下，与现有基线方法相比，实现了更优的性能。
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。