标签
本文介绍交互代理中的因果保留，探讨冻结的学习状态如何独立于训练目标回答干预查询，并通过理论分析和在有限因果系统以及像Qwen这样的AI模型上的实验得到支持。
本文提出二部图因果模型（BGCMs），以解决在具有循环依赖的平衡系统中因果干预的歧义性，推广了现有的框架，如 Causal Bayesian Networks 和 Structural Causal Models。
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。
本文通过引入因果零点与因果微分方程，扩展了Pearl的结构因果模型框架，以处理有向无环图所不允许的对称约束与反馈循环。
本文介绍了关系结构因果模型，将结构因果模型扩展到具有变化对象和关系的场景。它提供了识别的理论结果，并提出了关系神经因果模型，该模型在模拟交通场景中的表现优于非关系基线方法。
本文介绍了一种因果智能框架COAST，用于设计约束感知干预，驱动复杂系统在状态间转换。该框架整合了因果发现、因果建模和多目标优化，以识别具有机制解释的最小有效干预策略。
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。
本文介绍了 ReplaySCM，这是一个旨在评估语言模型从干预证据中归纳可执行因果机制能力的基准测试，重点关注语义重放行为而非语法匹配。